Um das Problem der niedrigen Genauigkeit bei der Merkmalsextraktion und der hohen Anzahl an Rechenparametern bei der auf dem SuperPoint-Netzwerk basierenden Merkmalserkennung unter Herausforderungen wie Beleuchtung, Haltung und Winkel zu lösen, wurde eine leichte Methode zur Merkmalsextraktion und -zuordnung mit einer progressiven Strategie vorgeschlagen. Zunächst wurde die Struktur des SuperPoint-Netzwerks durch tiefen-separierbare Faltungen angepasst, um die Modellparameterberechnung zu reduzieren; zweitens wurde im Feature-Extraktionsteil ein Aufmerksamkeitsmodul aufgebaut, um die räumliche Fähigkeit des Netzwerks zur Merkmalsextraktion zu verbessern, und ein progressives Multi-Skalen-Feature-Fusionsmodul entworfen, um Objekt­details zu erfassen und die Ausdrucksfähigkeit der Merkmale zu verstärken; abschließend wurde der SuperGlue-Algorithmus zur Zuordnung der erhaltenen Merkmale verwendet. Experimentelle Analysen auf dem Hpatches-Datensatz zeigen, dass der vorgeschlagene Algorithmus im Szenario mit Beleuchtungsänderungen eine durchschnittliche Trefferquote (mAP) und Wiederholungsrate der Merkmale (Rep) von 86 % bzw. 70 % sowie im Szenario mit Blickwinkeländerungen mAP und Rep von 78 % bzw. 68 % erreichte. Der vorgeschlagene Algorithmus zeigt nicht nur gewisse Vorteile bei der Merkmalserkennung, sondern erzielt auch gute Ergebnisse bei der Anwendung in der Videostitchung.

Merkmalsextraktion;Merkmalszuordnung;leicht;Aufmerksamkeitsmechanismus;progressive Multi-Skalen-Merkmalsfusion