基于机器学习的点集匹配算法     

唐思琦  韩丛英  郭田德 《中国科学院大学学报》2020,37(4):450-457

点集匹配是计算机视觉和模式识别中的重要问题，在目标识别、医学图像配准、姿态估计等方面都得到广泛应用。提出基于机器学习的端对端模型——multi-pointer network（MPN）来解决点集匹配问题。该网络模型利用多标签分类的思想，改进pointer network。以前的模型只输出输入序列的一个元素，而MPN模型选择输入序列中的一组元素作为输出。首先，把点集匹配问题转换为序列问题。这样，网络的输入为顶点的坐标序列，输出为点对之间的对应关系。利用这种方式，可以解决相对于整个空间的平移变换和其他大幅度的刚性变换。实验结果表明，模型也可以被推广解决其他带结构的组合优化问题，如三角剖分等。  相似文献