北京，2023年8月18日/PRNewswire/-全球領先的全息增強現實（“AR”）技術提供商WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”），今天宣布，它開發了一種基于Mask R-CNN的技術，用于智能提取CSO（特征空間對象）及其參考點，在高分辨率圖像處理和匹配領域取得了突破。該技術利用深度學習和計算機視覺的最新進展，為自動圖像匹配和目标定位提供了高效準确的解決方案。
高分辨率圖像處理和匹配一直是計算機視覺領域的一個重要研究方向，但由于圖像的局部變形和光照條件的差異，自動匹配一直面臨着巨大的挑戰。以前的方法往往受到計算複雜性和對局部特征依賴性的限制，難以獲得準确的結果。WiMi的技術可用于提取圖像上的CSO及其參考點。利用這種方法，可以自動獲取CSO，并為後續的圖像匹配過程提供準确的定位信息。
WiMi的研發團隊通過引入Mask R-CNN模型成功解決了這一挑戰，這是一種基于Faster R-CNN的模型擴展，通常用于目标檢測和實例分割。該模型的獨特之處在于，它可以同時預測目标的邊界框、類别、掩碼和關鍵點，為圖像處理任務提供全面的信息。
在這項新技術中，WiMi首先利用大量高分辨率遙感圖像數據來訓練Mask R-CNN模型。通過訓練，該模型能夠學習圖像中不同目标實例的特征，并準确預測其邊界框、類别、掩碼和關鍵點。在訓練的Mask R-CNN模型的基礎上，技術團隊進一步提出了CSO的概念和參考點法。CSO是指具有顯著特征的目标實例，可以通過設置阈值或規則來智能過濾掉。另一方面，通過掩碼預測器和關鍵點預測器從CSO中提取參考點，用于定位目标實例的重要特征點。
其技術實現邏輯如下：
數據準備：首先，需要準備一個用于訓練和評估的高分辨率遙感圖像數據集。數據集應包含具有不同目标類型和變形級别的圖像。
模型訓練：使用準備好的數據集訓練Mask R-CNN模型。訓練的目标是使模型能夠準确預測目标的邊界框、類别、掩碼和關鍵點。
CSO參考點提取：在經過訓練的Mask R-CNN模型上，通過輸入高分辨率遙感圖像，可以實現CSO和參考點的智能提取。CSO的定義：CSO是指特征空間對象，即具有鮮明特征的目标實例。通過設置一些阈值或規則，可以将具有顯著特征的目标實例篩選為CSO。參考點提取：利用mask R-CNN模型的掩碼預測器和關鍵點預測器提取每個CSO的掩碼和關鍵點。掩碼預測器将為每個CSO生成一個二進制掩碼，用于準确分割目标實例。關鍵點預測器将預測目标實例的關鍵點坐标，用于定位目标實例的重要特征點。
CSO和參考點的應用：提取的CSO和基準點可用于多種應用，如高分辨率遙感圖像匹配。根據具體的應用場景，可以根據CSO的位置和特征來實現圖像匹配或其他相關任務。
該技術的突破在于，它不僅有效地提取了CSO和參考點，而且準确地描述了目标實例的形狀和位置。這使得高分辨率圖像的自動匹配更加準确可靠，為後續的圖像處理任務提供了可靠的基礎。
