ICCVAug, 2021

参数优化对于传统和基于学习的图像匹配方法的影响

PDF
TL;DR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。
发现论文，激发创造
  • DFM: 深度特征匹配性能基准

    本文提出了一种新颖的图像匹配方法，利用预先训练的 VGG 神经网络提取图像特征，在首次较好的几何转换估计后，再以分层的方式重复运用该方法，达到良好的本地化和匹配性能。该算法在 Hpatches 数据集上达到了 0.57 和 0.80 的平均匹配准确性分数，表现优于现有技术。

    Jun, 2021

  • 基本矩阵估计中特征匹配算法评估

    评估最近算法在图像匹配及极线几何评估中的表现，并利用它们设计出更实用的注册系统，扩大计算机视觉任务的应用，通过四个大型数据集的实验，提出了三种高质量的匹配系统和粗 - 细 RANSAC 评估器，具有潜在的应用前景。

    Aug, 2019

  • 深度匹配先验：用于密集对应的测试时优化

    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

  • 通过灵活的分层细化和补丁描述符精炼的广义匹配

    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

  • 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

  • 强化特征点： 针对高级任务优化特征检测和描述

    该研究论文提出一种嵌入完整视觉流水线中的特征检测器训练方法，通过强化学习的原则克服关键点选择和描述符匹配的离散性，并通过实验表明该方法可以提高基于学习的特征检测器在任务中的准确性。

    Dec, 2019

  • 匹配函数学习

    本篇论文介绍了一种学习匹配函数的方法，该方法能自动发现允许视觉外观变化的空间，并学习相关特征在不同相对位置和尺度上的匹配分数的重要性。该算法已在 KITTI、Sintel 和 TimeLapse 数据集上实现了有希望的结果。

    Feb, 2015

  • 半稠密无检测器方法在匹配局部特征上表现如何？

    在相对位姿估计评估上，SDF 方法的性能优于 SAM，但 SAM 方法在纹理区域的匹配准确性上胜过 SDF 方法，同时揭示了纹理区域的准确对应能力与位姿估计的准确性之间的强相关性

    Feb, 2024

  • 使用卷积神经网络进行特征描述符匹配：与 SIFT 的比较

    利用卷积神经网络训练数据和不训练数据，与标准的 SIFT 描述符进行比较，结果显示网络表现的更好，特别是在描述符匹配方面。

    May, 2014

  • 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