Dec, 2019

自监督关键点学习的神经异常值拒绝

PDF
TL;DR本研究提出了 IO-Net (内点外点网络) 和 KeypointNet (关键点网络) 两种神经网络架构，分别用于自监督学习的关键点检测、描述和匹配，通过在挑战性基准测试上的实验证明，所提出的自监督学习方法显著提高了关键点匹配和单应矩阵估计的质量。
visual odometryslam algorithmsio-netkeypointnetself-supervised learning
发现论文，激发创造
  • 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

  • Quad-networks: 无监督学习用于兴趣点检测排名

    本文提出了一种利用神经网络进行无监督学习的方法，通过在变换不变的情况下对兴趣点进行排名，采用排名的前 / 后分位数提取兴趣点，证明其在标准 RGB 图像和 RGB 与深度图像间的兴趣点检测任务中具有更好的性能。

    Nov, 2016

  • 鱼眼和透视图像自监督兴趣点检测和描述

    本文通过自监督学习的方法针对鱼眼和投影图像混合的情况，研究关键点检测和匹配问题，提出了一种训练兴趣点检测器和描述符网络的方法，并证明了目前的方法不是最优解，提出的方法是最有效的。

    Jun, 2023

  • AutoLink: 通过关键点链接实现人体骨骼和物体轮廓的自监督学习

    本文提出一种基于自监督学习的方法，通过使用由直线相连的 2D 关键点图解开结构与外观的耦合，进而学习物体的结构表达，并利用所学习的结构表达实现自动人体姿态估计等任务。

    May, 2022

  • 关键点预测下的目标姿态自监督学习

    本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

    Feb, 2023

  • UnsuperPoint：端到端无监督兴趣点检测器和描述符

    本文介绍了一种基于无监督深度学习的兴趣点检测器和描述器 - UnsuperPoint。使用自监督方法，使用孪生网络和一种新的损失函数，允许兴趣点得分和位置自动学习。而且，该模型不需要生成伪真实点，也不需要从运动中生成的表示，并且只需要一轮训练即可学习。此外，还引入了一种新的损失函数，以使网络预测均匀分布。UnsuperPoint 在 $224 imes320$ 和 $480 imes640$ 分辨率下可以实现每秒 323 帧和 90 帧的实时运行，并在速度、可重复性、定位、匹配得分和单应估计表现方面与最先进的性能相当或更好，在 HPatch 数据集上取得了良好的表现。

    Jul, 2019

  • 半监督关键点定位

    本文介绍了一种半监督的方法，使用少量标记图像和大量未标记图像同时学习关键点热图和姿态不变的关键点表示，关键点表示的语义一致性约束加以保证，并通过特征空间将图像及其扩充副本的关键点表示紧密地联系在一起，以实现对于人类和动物身体特征点的本土化定位，并在多项基准测试中显著优于先前的方法。

    Jan, 2021

  • SuperPoint: 自监督兴趣点检测与描述

    本文提出了一种自监督框架，用于训练适用于计算机视觉中大量多视图几何问题的兴趣点检测器和描述符。通过引入多尺度、多单应性方法的 Homographic Adaptation，我们的模型通过训练于 MS-COCO 数据集，能够相对于其他传统角点检测器和深度模型，检测到更丰富的兴趣点，并在 HPatches 上取得了最先进的单应性估计结果。

    Dec, 2017

  • 关键点增强的有限注释医学图像分割的自监督学习

    通过自我监督预训练的卷积神经网络（即 UNet）已经成为在低标注情况下促进医学图像分割的强大方法。我们提出了一种关键点增强的融合层，它提取保留短程和长程自我注意力的表示，并且在全局和局部尺度上引入了自我监督预训练，通过创建关键点之间的对应关系并鼓励特征之间的相似性来提高分割结果。

    Oct, 2023

  • 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