CVPRMay, 2019

D2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述

PDF
TL;DR本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。
发现论文，激发创造
  • P2-Net：针对像素和点匹配的局部特征描述和检测的联合方法

    提出了一个双重完全卷积框架，用于建立 2D 图像和 3D 点云之间的精细对应关系，以直接匹配像素和点，并实现了室内视觉定位的任务中领先的最优结果。

    Mar, 2021

  • D3Feat：3D 局部特征的密集检测与描述的联合学习

    本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

    Mar, 2020

  • DenserNet: 使用多尺度特征聚合的弱监督视觉定位

    本文介绍了一种 Denser Feature Network 用于视觉定位，提出了一种新型的卷积神经网络，采用更密集的特征图来提高图像检索准确性和关键点特征的重复性，仅需要正负 GPS 标记图像对来训练模型。实验表明，该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。

    Dec, 2020

  • 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

  • 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

  • 双深度网络视觉跟踪

    本文提出了一个用于视觉跟踪的双网络模型，利用不同深度网络层次上的结构进行层次特征的提取，通过层次特征和边缘检测器相结合，进一步嵌入目标周围局部细节，并对其进行在线更新和独立分量分析，实现了对物体的精确跟踪。在大型基准数据集上进行的定量和定性评估表明，所提出的算法具有很好的性能。

    Dec, 2016

  • D2S：相机重定位中的本地描述符和全局场景坐标表示

    本研究提出了一种基于学习的直接定位方法，使用简单的网络 D2S 来表示本地描述符和场景坐标，通过选择性关注鲁棒描述符并忽略云、树木和其他动态物体的方法，完成了稀疏描述符的二元 - 语义分类，在室内和室外环境中超越了现有的基于 CNN 的方法。

    Jul, 2023

  • 全连接深层结构网络

    该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

    Mar, 2015

  • 预训练 CNN 的嵌入式特征本地化

    本研究引入了一种基于 CNN 内部信息的新型特征检测器，检测器的信息从特征图与输入图像的梯度计算获得，能够生成显著性地图和相关关键点，无需监督训练，和专门的 feature detector 性能相似。

    Jul, 2019

  • 邻域共识网络

    本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。

    Oct, 2018