CVPRMar, 2020

ASLFeat: 学习准确形状和定位的本地特征

PDF
TL;DRASLFeat 是一种新的本地特征检测器和描述符结合的方法，使用可变形卷积网络估计本地特征点的形状，从而实现更强的几何不变性。此外，ASLFeat 使用层次结构以恢复空间分辨率和局部细节，并通过尖锐度测量来推导最有指示性的检测分数，以进一步提高检测精度和可靠性，并可在各种实际场景中获得最新的研究成果。
aslfeatlocal feature detectorsdescriptorsgeometric invariancedeformable convolutional networks
发现论文，激发创造
  • 通过联合学习检测和描述关键点来增强可变形局部特征

    DALF is a new, deformation-aware network for jointly detecting and describing keypoints, which can be used for local feature extraction in computer vision and delivers better performance when dealing with matching deformable surfaces.

    Apr, 2023

  • 局部特征几何的多视角优化

    本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度，实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。

    Mar, 2020

  • 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

  • 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

  • SRFeat：学习局部精确和全局一致的非刚性形状对应

    本研究提出了一个新的基于学习的框架，将对比学习的局部准确性与几何方法的全局一致性相结合，用于强健性非刚性匹配。

    Sep, 2022

  • 大规模实时视觉惯性定位重访

    本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

    Jun, 2019

  • 学习协变特征检测器

    本文提出了第一个完全通用的局部协变特征检测器学习方法，将检测视为回归问题，使用深度神经网络等强大的回归器，提出了一个可以用于自动学习提供局部特征检测稳定锚点的协方差约束，并在标准特征基准测试中展示了平移和旋转协变检测器的实证结果。

    May, 2016

  • 学习紧凑的几何特征

    通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

    Sep, 2017

  • 具关注力的深度局部特征进行大规模图像检索

    我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。

    Dec, 2016

  • 通过学习变形提取变形感知本地特征

    本文提出了一种新的局部特征计算方法 DEAL，通过极坐标采样和空间变换器抵消旋转、尺度和形变的影响，能够提供不变性。我们将模型应用于模拟环境中的几何体进行同构非刚性变形，以提供高度判别局部特征，并证明了该方法在不同数据集中相对于现有的局部特征和 RGB-D 描述符跑出了更好的结果。

    Nov, 2021