ECCVMar, 2018

层次结构度量学习及其在二维和三维几何对应中的匹配

PDF
TL;DR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。
interest point descriptorsdeep neural networksmetric learning approachesfeature hierarchygeometric matching
发现论文，激发创造
  • 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

  • GeoDesc: 融合几何约束学习局部描述符

    本文提出一种新颖的基于几何约束的局部描述符学习方法 ——GeoDesc，旨在改善学习局部描述符在图片三维重建中的泛化性能不足的问题。结果表明，GeoDesc 在各种大型基准测试中表现出优异的性能，并在具有挑战性的重建任务中显著成功。此外，本文提供了在 SfM 流水线中实际集成学习描述符的指南，展示了 GeoDesc 在精度和效率之间能够提供的良好平衡。

    Jul, 2018

  • 多尺度匹配网络用于语义对应

    本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

    Jul, 2021

  • 端到端学习鲁棒姿态 3D 匹配的关键点检测器和描述符

    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

  • 结构匹配下可解释的深度度量学习

    本文提出了一种新的深度可解释度度量学习方法 (DIML)，基于结构匹配策略和最优匹配流来弥补现有方法 (基于特征向量比较) 的缺点，实现了深度模型以更人性化的方式学习度量，将图像相似性分解为几个子相似性及其对整体相似性的影响，该方法适用于各种骨干网络和度量学习方法，并在三个深度度量学习基准测试中表现出了显著的改进，但不影响模型性能。

    Aug, 2021

  • 异质 2D 图像集联合深度多图匹配与三维几何学习

    提出了一种基于图神经网络的、可训练的框架，用于从不同的图像集合中学习可变形的三维几何模型，并在图形匹配中取得更好的性能。

    Mar, 2021

  • 基于卷积神经网络的几何匹配架构

    该论文提出了一种基于卷积神经网络的几何匹配体系结构，可用于在符合几何模型的条件下确定两幅图像之间的对应关系和参数估计，并演示了该网络参数可以从合成生成的图像中训练而来，且同时适用于实例级别和类别级别匹配。

    Mar, 2017

  • 使用混合模型 CNN 对图和流形进行几何深度学习

    这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广 CNN 的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。

    Nov, 2016

  • 3DMatch: 从 RGB-D 重建学习局部几何描述符

    本文提出了一种名为 3DMatch 的数据驱动模型，它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符，且利用自我监督特征学习方法来汇集训练数据。实验证明，该描述符不仅可以用于重构新场景的局部几何形状的匹配，而且可以推广到不同的任务和空间尺度。

    Mar, 2016

  • 利用深度视觉描述符进行分层高效定位

    该论文提出了一种利用深度学习技术进行分层定位的方法，仅在候选位置上计算 2D-3D 匹配的精确位姿估计，从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能，为机器人研究带来了新的前景。

    Sep, 2018