BriefGPT - AI 论文速递
·
InterNet：基于交错模态转移和自我监督单应性预测的无监督跨模态单应性估计
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
SCPNet是一种无监督跨模态单应性估计框架，利用自监督学习和一致特征映射投影。在GoogleMap数据集上，它的平均角点误差比有监督方法MHN提高14.0%。在多个数据集上，SCPNet的性能优于其他无监督方法，MACE分别降低49.0%、25.2%、36.4%和10.7%。
🎯
关键要点
- 提出了一种基于自监督学习的新型无监督跨模态单应性估计框架SCPNet。
- SCPNet是第一个在GoogleMap数据集上实现有效无监督单应性估计的模型。
- 在128x128的图像上，SCPNet在平均角点误差(MACE)上比有监督方法MHN提高了14.0%。
- 在多个跨模态/光谱和手工不一致的数据集上，SCPNet的性能优于其他无监督方法。
- SCPNet的MACE相比有监督方法MHN分别降低了49.0%、25.2%、36.4%和10.7%。
🏷️
标签
➡️
