卷积霍夫匹配网络
通过引入 Hough 变换的思想,本文提出了一种基于卷积匹配的几何匹配算法 Convolutional Hough Matching,这种方法在几何变换空间中分配了候选匹配的相似度,并以卷积方式对其进行评估,将其转化为了一个可训练的神经层。该方法在相对较小的可解释参数下实现了非刚性匹配,并在标准基准测试方面实现了新的最佳结果,证明了其对具有挑战性的类内变化具有强大的鲁棒性。
Sep, 2021
该论文提出了一种基于卷积神经网络的几何匹配体系结构,可用于在符合几何模型的条件下确定两幅图像之间的对应关系和参数估计,并演示了该网络参数可以从合成生成的图像中训练而来,且同时适用于实例级别和类别级别匹配。
Mar, 2017
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务,并相较于先前的手动特征点描述方法,展示了更佳的匹配结果。
Mar, 2018
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
高维卷积神经网络可用于几何模式识别中,通过对高维空间中的线性子空间、三维注册、图像对应等问题的研究表明,相比于全局池化运算符,基于高维卷积神经网络的先进方法具有更好的性能。
May, 2020
该研究将形状匹配视为度量学习,使用卷积神经网络进行实现,在将图像表示分解为边缘图像的生成和使用结构从运动流水线自动获取地标图像的边缘图像的过程中进行网络训练。该方法在域泛化,基于通用素描的图像检索或其精细分类等多个任务上得到了改进并实现了多重基准的最新结果。与其他为每个任务,对象类别或领域学习不同的方法不同,该方法在所有实验中使用相同的网络,取得了最先进的结果。
Sep, 2017
通过 CONVMATCH 算法和高度可扩展的变种 A-CONVMATCH,我们提出了一种用于创建保持图卷积输出的图摘要的算法,证明 CONVMATCH 在六个真实的链接预测和节点分类图数据集上是高效的,并且在显著减小图大小的同时保持了预测性能,特别地,在节点分类上,我们在图的摘要大小为原图的 1% 时,CONVMATCH 达到了 GNN 节点分类性能的 95%,并且在链接预测任务上,CONVMATCH 始终优于所有基准,达到了最多 2 倍的改进。
Dec, 2023
本文介绍了一种将 Deep Matching 算法重写为卷积神经网络的新方法,该方法采用了一些新的层类型,并具有 U 形拓扑结构,从而实现了端到端的训练,并得到了更好的图像匹配性能。
Sep, 2016
使用极线匹配卷积技术,通过引入极向特征汇集、自相似编码和不同角度轴的系统内核设计消除了普通卷积神经网络的旋转和对称不变的限制,并通过数据集增强的自监督学习策略,成功地从真实世界的图像中发现对称图案,证明了该方法具有更高的准确性和鲁棒性。
Aug, 2021