DFM: 深度特征匹配性能基准
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
本文介绍了一个用于本地特征与鲁棒估计算法的全面基准测试,旨在通过相机位姿的准确性作为主要指标。我们的管道模块化结构允许易于集成、配置和组合不同的方法和启发式算法。同时我们展示了如何嵌入数十种流行算法进行评估,进而表明经典算法在适当的设置下可能仍能胜过认为的最前沿机器学习研究。此外,我们实验发现一些意想不到的图像匹配解决方案的性质,这有助于改进它们的性能,无论是算法还是机器学习方法。我们提供了一个易于使用和灵活的框架,用于衡量本地特征与鲁棒估计方法,同时与顶级方法进行比较,构建了一个基础性的图像匹配挑战平台。
Mar, 2020
本文的主要关注点是解决深度特征匹配(DFM)的局限性,通过采用更灵活的最近邻搜索策略并集成图像补丁描述符,扩展了 DFM 的适用范围,同时提出了一种新颖的图像补丁描述符精炼策略,进一步降低了对应匹配的计算复杂度,实验证明我们的方法在实际机器人应用中具有卓越的性能。
Mar, 2024
本论文提出了一种新的成对相似度测量模型,该模型通过将传统线性投影扩展为仿射变换,并将仿射马氏距离和余弦相似度融合为数据驱动的组合,结合特征表示学习和深度卷积神经网络,实现了端到端的模型优化,在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。
May, 2016
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
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
通过对经典和基于学习的方法进行比较,本研究发现,在最佳性能下,SIFT 方法的匹配精度接近于 SuperGlue 的性能,并且能够在 1 像素和 2 像素阈值下胜过 SuperGlue 的 MMA;此外, DFH 方法只使用预训练的 VGG 特征作为描述符和匹配阈值,击败了大多数精心训练的基于学习的方法。因此,我们得出结论,应该仔细分析任何经典方法的参数,然后再与基于学习的技术进行比较。
Aug, 2021
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
本研究提出了一种新颖的深度架构和训练策略,利用图像集合学习本地特征流水线,无需人工监督;通过利用深度和相对相机姿态提示创建一个虚拟目标,并在一个图像上限制网络,同时保留不可区分性来优化网络。我们在室内和户外两个数据集上进行训练,并在稀疏特征匹配方面的模型性能表现优于现有技术,同时对 QVGA 图像运行速度达到 60+ fps。
May, 2018
本文提出一种称为 Deep Matching Prior(DMP)的框架,使用优化方法为图像对特定定制网络,来实现密集对应的学习,并在几个基准测试中展现了与最新的基于学习的方法相媲美的性能。
Jun, 2021