L'étude introduit un nouveau développement dans les modèles de récupération de points de repère

Une nouvelle approche de la récupération de points de repère, un domaine de la vision par ordinateur qui identifie et fait correspondre des images de points de repère dans une base de données, est discutée dans le Revue internationale des technologies de l'information et de la communication. La nouvelle approche adoptée par Kun Tong et GuoXin Tan du Centre national de recherche sur les industries culturelles de l'Université normale de Chine centrale à Wuhan améliore la précision et l'efficacité des systèmes de récupération d'images et pourrait aider les développeurs à naviguer dans les avancées des applications de vision par ordinateur telles que la reconnaissance d'objets, augmentée. réalité et contrôle des véhicules autonomes.

Les modèles de récupération de points de repère s'appuient généralement sur des descripteurs de caractéristiques pour analyser et comparer les images. Ces descripteurs se présentent sous deux formes : globale et locale. Les descripteurs globaux capturent la structure globale et les qualités abstraites d'une image, tandis que les descripteurs locaux se concentrent sur des détails fins tels que les textures et les arrangements spatiaux. Cette combinaison offre des informations complémentaires sur l’image analysée.

Cependant, il existe une grande redondance qui dilue les informations critiques, conduisant à un traitement inefficace. De plus, la réalité des images capturées signifie que les différences d’angle de vue, les conditions d’éclairage et la présence d’obstacles conduisent toutes à des inexactitudes.

Le nouveau modèle utilise un module d'amélioration de la texture pour mettre en valeur les caractéristiques texturales importantes, même dans les scènes complexes. Le module reconstruit les cartes de caractéristiques pour amplifier les motifs au niveau de la surface, garantissant que même les textures subtiles ou déformées sont mises en évidence. Cela peut résoudre les problèmes liés à l’angle de vue ou à un mauvais éclairage. Le modèle utilise également un module de fusion de fonctionnalités qui intègre les descripteurs globaux et locaux pour éliminer les redondances dans les données. En donnant la priorité aux détails pertinents et en supprimant les informations superflues, le modèle rationalise l'analyse pour améliorer l'efficacité des calculs.

Tong et Tan ont effectué des tests approfondis sur des ensembles de données de référence, notamment les ensembles de données Revisited Oxford et Paris, et montrent que leur approche est très efficace et efficiente pour identifier les points de repère.