Nov, 2014

TILDE: 一个具有时间不变性的学习型检测器

PDF
TL;DR本文介绍了一种基于学习的方法，用于在天气和照明条件的巨大变化下检测可重复的关键点。作者首先从相同视角的多个训练图像中识别出良好的关键点候选对象，然后训练回归器来预测得分图，以便通过简单的非极大值抑制方法找到这些点。实验结果表明，在这种具有挑战性的情况下，我们的方法显著优于现有方法，在未受训练的标准牛津数据集上仍可以实现最先进的性能。
keypoint detectionlearning-based approachweather conditionslighting conditionsregression analysis
发现论文，激发创造
  • 可重复、可靠的检测器和特征描述器 (R2D2)

    本论文提出了一种同时学习关键点检测、特征描述和本地描述符可区分性预测器的方法，用于解决经典方法中存在的重复区域不具有判别力和描述符在存在歧义区域中的性能问题，在 HPatches 和 Aachen Day-Night 数据集上性能均表现优异。

    Jun, 2019

  • 利用持续对比学习在黑暗中观测物体

    该研究论文探讨了在智能相机系统中，如何利用合成图像进行对不同成像条件下目标检测的训练，提出了一种对比学习的方法，并使用持续学习的惩罚机制缓解了重要信息丢失的问题，该方法在夜间目标检测方面表现出色。

    Dec, 2021

  • D3Former: 通过显著性引导的 Transformer 共同学习可重复的稠密探测器和特征增强描述符

    通过引入一种名为 D3Former 的基于显著性引导的变换器模型，联合学习可重复的稠密检测器和增强特征的描述符，实现了准确匹配点云问题的关键步骤，实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。

    Dec, 2023

  • 大规模评估局部图像特征检测器在单应矩阵数据集上的表现

    该研究提出了一种新的评估协议，可对大量图像上的本地特征检测器进行综合评估，使用 HPatches 数据集评估了许多本地特征检测器的视角和光照不变性检测，与以往相比，该研究的图像数量更多，结果更具鲁棒性，同时也表明传统检测器在与最近的深度学习替代方案相比时仍然具有很高的竞争力。

    Jul, 2018

  • 自监督等变学习用于定向关键点检测

    本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

    Apr, 2022

  • Key.Net: 通过手工设计和学习卷积神经网络滤波器进行关键点检测

    介绍了一种新颖的关键点检测方法，该方法结合了手工制作和学习的 CNN 滤波器，使用浅层的多尺度架构，在网络中使用尺度空间表示，在不同的层面提取关键点，并设计了一种损失函数来最大化关键特征的可重复性，使用 ImageNet 数据集创建了合成数据用于训练并在 HPatches 基准测试中进行了评估，结果显示我们的方法在可重复性，匹配性能和复杂性方面优于现有的检测器。

    Apr, 2019

  • ALIKE：精准且轻量级特征点检测和描述子提取

    提出了一种局部可微的关键点检测模块，能够输出精确的亚像素关键点，用于在各种任务中达到与现有最先进方法相当的性能，同时大大减少了推理时间。

    Dec, 2021

  • 线性支持张量机：热红外图像中的行人检测

    本文提出了一种新的基于局部斯特林核（LSK）的多维模板或张量形式的中级属性，以便更好地检测远红外图像中的行人，并引入了一种新的图像相似度核，以在支持向量机的最大边缘框架内进行训练。我们的第三个贡献是采用多通道离散傅里叶变换来替代滑动窗口法进行行人定位，取得了很好的实验结果。同时，我们还将用于研究为目的的 OSU 彩色热数据库中的行人注释与研究社区共享。

    Sep, 2016

  • 强化特征点： 针对高级任务优化特征检测和描述

    该研究论文提出一种嵌入完整视觉流水线中的特征检测器训练方法，通过强化学习的原则克服关键点选择和描述符匹配的离散性，并通过实验表明该方法可以提高基于学习的特征检测器在任务中的准确性。

    Dec, 2019

  • 自然而然地学习在各种天气条件下逐步驾驶

    提出了一种基于领域增量学习的解决方案 (Domain-Incremental Learning through Activation Matching, DILAM)，通过无监督特征对齐，将预训练模型适应于不同的天气条件，存储不同天气条件下的仿射参数，并在测试时利用轻量级的存储来自动推断天气状况，从而有效地解决了自动驾驶情景下目标检测模型在多变的天气条件下表现不佳以及遗忘的问题。

    May, 2023