该论文研究探讨了改进卷积自编码器的局部特征描述算法。

简介：
针对非监督学习方法提取的底层特征在特征描述过程中表现出较弱的可区分性，并且容易受到图像旋转和尺度变换的影响。为了解决这些问题，我们提出了一种改进卷积自编码器的局部特征描述算法，命名为Convolutional Auto-Encoder Descriptor (CAE-D)。该算法的核心在于利用信息熵来评估卷积核的性能，并在此基础上，在CAE中引入卷积核信息熵约束规则。通过对卷积核中携带的局部特征信息进行均值化处理，从而显著提升卷积特征描述的可区分度。此外，在进行特征描述之前，我们采用传统SIFT方法中的主方向分配算法来确定局部图像的主方向趋势，并进一步加入了降采样操作，以增强特征描述的旋转不变性和整体的鲁棒性。通过图像匹配实验的验证结果表明，所提出的改进策略是有效的。实验结果显示，CAE-D算法在性能上超越了当前最先进的KAZE和SIFT算法，并且相较于SIFT算法，其运行时间缩短了47.14%。