ECCVJul, 2020

深度本地描述符的学习与聚合在实例级别的识别中的应用

PDF
TL;DR该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。
发现论文，激发创造
  • 深度图像检索：学习全局图像表示以用于图像搜索

    本文提出了一种新方法进行实例级别的图像检索，通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示，该方法基于一个特定图像检索任务训练的深度架构，利用排序框架来学习卷积和投影权重，并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。

    Apr, 2016

  • 深度卷积特征聚合的图像检索

    本文通过对局部卷积神经网络特征进行聚合研究，提出一种基于简单加总池化的高效图像检索方法，取得了显著提升的效果。

    Oct, 2015

  • 努力了解你邻居的边界：本地描述符学习损失

    提出了一种受到 SIFT 匹配标准启发的用于学习局部特征描述符的新型损失函数，试验结果表明，该损失函数优于复杂的正则化方法，且适用于浅层和深层卷积网络结构，将新型损失函数应用于 L2Net CNN 结构得到的紧凑描述符，维度与 SIFT 相同 (128)，并取得了宽基线立体、块验证和实例检索基准的最先进性能。

    May, 2017

  • 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

  • 针对平均精度优化的本地描述符

    该研究采用深度神经网络直接优化排名检索表现指标（平均精度），提高本地特征描述符的学习，取得了当前最先进的修补程序验证，修补程序检索和图像匹配的结果。

    Apr, 2018

  • 局部特征和视觉单词在激活中出现

    该研究提出了一种新颖的用于图像检索的深度空间匹配方法。该方法利用卷积神经网络激活函数提取图像描述符，同时采用一组局部特征来近似稀疏的三维激活张量，从而实现对张量最优对齐的稳健匹配，并在不需要任何网络修改、额外的网络层或训练、视觉聚类的情况下实现图像检索。该方法在多个基准测试中实现了最先进的性能。

    May, 2019

  • 学习图像检索的超级特征

    本文介绍了一种基于超级特征的深度图像检索架构，只需要图像标签即可训练。超级特征由迭代的注意模块构建，通过对 Super-features 实施对比损失来匹配图像。与局部特征相比，这种方法在存储空间方面具有显着优势，并在常见地标检索基准上表现出比现有方法更好的效果。

    Jan, 2022

  • 图像搜索中深度局部和全局特征的统一

    该文提出了一个名为 DELG 的新模型，将全局和本地特征统一为一个深度模型，同时提出了一种自编码器的降维技术，该模型在图像检索和识别方面的表现都达到了最新的水平。

    Jan, 2020

  • 基于深度学习的局部特征匹配：综述

    本研究对本地特征匹配方法进行了全面的综述，将其分类为基于探测器和不基于探测器两类，并探索了其在不同领域的实际应用和面临的当前挑战，以及未来的研究方向。

    Jan, 2024

  • 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