D2D: 使用描述符进行关键点提取的方法检测
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
基于 3D 连续性,我们通过从大规模 SfM 中训练探测器来直接学习关键点,并且通过分离的网络最大化互相最近邻目标来训练描述符。结果表明,我们的方法 DeDoDe 在多个几何基准测试中取得了显著的增益。
Aug, 2023
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
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
本文提出了一种框架,该框架明确提取双层描述符和检测器,并与之进行粗糙到精细的匹配,以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。
May, 2023
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
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。
May, 2019
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
本研究提出了一种名为 2D3D-MatchNet 的深度网络结构,能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系,并用于视觉位姿估计,结果表明该方法是可行的。
Apr, 2019
通过引入一种名为 D3Former 的基于显著性引导的变换器模型,联合学习可重复的稠密检测器和增强特征的描述符,实现了准确匹配点云问题的关键步骤,实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。
Dec, 2023