全景图像匹配的描述符学习
本文介绍了一种使用数据增强和正交视角投影学习不变性描述符的新框架,通过旋转保角本质的数据增强学习旋转不变性的本地描述符,并通过一种对特征匹配方法进行改进的技术以及新的自定义数据集进行了验证,在包括姿势估计和视觉位置识别等关键任务上提供了实用性能量的性能表现。
Mar, 2021
本研究提出了一种局部特征提取的方法,将检测器和描述子两个步骤互相独立,并关注它们在学习过程中的交互。该方法使用了一种新型的检测器优化技术和多尺度方法提取图像的局部特征,并在各项基准测试中显示出了比现有技术更好的性能。
May, 2020
本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法,以适应于三维深度地图或扫描,通过采样相应的区域提案实现正负样本的自动获取,并在多个基准数据集上进行匹配实验,表明该方法相对于现有方法具有明显的改进。
Feb, 2018
本论文提出了一种新的成对相似度测量模型,该模型通过将传统线性投影扩展为仿射变换,并将仿射马氏距离和余弦相似度融合为数据驱动的组合,结合特征表示学习和深度卷积神经网络,实现了端到端的模型优化,在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。
May, 2016
提出一种新的关键点描述方法,通过自监督匹配网络获取稳健的特征描述子。设计了一种轻量级变换网络 LTFormer 生成深层特征描述子,并通过创新的三元组损失函数 LT Loss 进一步提高匹配性能,相比手工设计的本地特征描述子表现更好,即使数据有限,也与最先进的基于深度学习的方法相媲美。
Apr, 2024
该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务,并相较于先前的手动特征点描述方法,展示了更佳的匹配结果。
Mar, 2018
本文提出了一种卷积网络框架,用于学习二进制补丁描述符,其中像素域特征与从变换域提取的特征融合。实验证明,我们的特征融合方法在准确性、速度和复杂性方面优于多种最先进的方法。
Jan, 2019