Jan, 2015

场景间密集对应的无监督特征学习

PDF
TL;DR通过无监督学习从大量未标记图像路径中学习特征，对像素进行编码，并进行空间池化以获得补丁层特征，然后将学习到的特征顺畅地嵌入到多层匹配框架中，得到了与最先进的方法相比在准确性和计算效率方面均优于 SIFT flow 等的匹配模型，并分析了字典学习和特征编码对最终匹配性能的影响。
dense pixel correspondencesmatching methodsunsupervised learningdictionary learningfeature encoding
发现论文，激发创造
  • 学习像素级视频对应的细粒度特征

    通过自我监督学习并结合对真实世界视频和合成视频的特征学习，提出了一种针对像素级对应的特征学习方法，采用对抗性学习方案增强特征的泛化能力，并采用粗到细的框架追求高计算效率，在对应任务上的实验结果表明，该方法在准确度和效率方面均优于现有方法。

    Aug, 2023

  • 跨场景和尺度的密集对应

    本论文提出了一种实用的建立图像间稠密一一对应的方法，利用像素的上下文信息估计本地尺度，并使用三种方法在整个图像中保持比例不变特征提取，有效地解决了局部尺度不同的问题，实现了不同图像之间的准确的稠密对应，且计算成本较小。

    Jun, 2014

  • S2DNet: 稀疏到稠密特征匹配的精确对应关系学习

    本文介绍了 S2DNet ，这是一种新的特征匹配管道，旨在通过利用稀疏 - 密集匹配范例，将对应关系学习问题作为监督分类任务，从而快速而准确地建立强大而准确的对应关系， 并展示了其在 HPatches 基准测试和数个长期视觉定位数据集上的最佳表现。

    Apr, 2020

  • 超像素流：多层神经特征的语义对应

    本研究提出了一种基于超像素的图像匹配算法，利用卷积神经网络中的早期到后期的相关特征，结合 Hough 几何投票算法，能够有效地处理大量图像，并在多个标准基准测试中创造新的记录。

    Aug, 2019

  • 在非受限图像中学习密集的面部对应关系

    本文提出了一种使用神经网络在高度自由的 RGB 图像中计算面部对应关系的最简单有效的方法，使用渲染可变姿势、表情、照明和遮挡的多样化三维面部模型生成大量人工数据集，结合真实照片培训表现在精度和速度上优于现有方法，并可以成功地处理极端姿势变化、遮挡和光照条件。

    Sep, 2017

  • 稳健的紧凑二进制描述符特征融合进行补丁匹配

    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

  • 通用对应网络

    本文提出了一种深度学习框架，用于准确的视觉对应，并证明了其在几何和语义匹配中的有效性，提出了一种卷积空间变换器来模仿传统特征（如 SIFT）中的补丁归一化，广泛的 KITTI，PASCAL 和 CUB-2011 数据集的实验表明，与使用手工构建或学习特征的先前作品相比，我们的特征具有显着优势。

    Jun, 2016

  • 多图像基于一致特征挖掘的语义匹配

    本研究提出了一种多图像匹配方法以估计多个图像之间的语义对应关系，并且利用稀疏可靠特征匹配而非优化所有成对对应关系，同时还提出低秩约束来确保整个图像集上的特征一致性。该方法在多图匹配和语义流基准测试中表现优异，同时在不使用任何注释的情况下对重建对象类模型和发现对象类地标具有适用性。

    Nov, 2017

  • 自监督学习的视频对应流

    本文提出了一种适用于匹配视频中对应点的特征嵌入的自监督学习方法，其中使用自然的时空一致性训练指针模型，并通过引入信息瓶颈和循环模型等方式来解决跟踪器漂移等挑战，最终取得了在视频分割和关键点跟踪上的最佳效果。

    May, 2019

  • 每个像素都是分类器的密集语义对应

    本文探讨了将语义对应视为约束检测问题的可能性，介绍了使用 LDA 分类器学习每个像素点的方法，并将该问题表述为图模型。

    May, 2015