Una nueva red neuronal para la coincidencia de imágenes de teledetección

El rápido desarrollo de la tecnología de imágenes de teledetección (RS) hace que las imágenes adquiridas tengan un tamaño mayor, una resolución más alta y una estructura más compleja, lo que supera el alcance de la coincidencia basada en características elaboradas a mano. En este artículo, proponemos un enfoque de aprendizaje de características basado en redes de dos ramas para transformar la tarea de coincidencia de imágenes en un problema de clasificación de dos clases. Para coincidir dos puntos clave, se introducen en la red propuesta dos parches de imagen centrados en los puntos clave. La red tiene como objetivo aprender representaciones de características discriminativas para la coincidencia de parches, de modo que se puedan obtener más pares de coincidencias con la premisa de mantener una mayor precisión de coincidencia subpíxel. La red propuesta adopta un modo de entrenamiento en dos etapas para manejar las características complejas de las imágenes de RS. Se propone una estrategia de selección de muestras adaptativa para determinar el tamaño de cada parche según la escala de su punto clave central. Así, cada parche puede preservar la estructura de textura alrededor de su punto clave en lugar de que todos los parches tengan un tamaño predeterminado. En la etapa de predicción de coincidencias, se diseñan dos estrategias, a saber, la estrategia de muestreo graduado basada en superpíxeles y la coincidencia espacial ordenada basada en superpíxeles, para mejorar la eficiencia de coincidencia y la precisión de coincidencia, respectivamente. Los resultados experimentales y el análisis teórico demuestran la viabilidad, robustez y efectividad del método propuesto.