May, 2022

ReDFeat: 多模态特征学习中的重耦合检测和描述

PDF
TL;DR本文利用互相关联的检测和描述特点的相互加权策略进行多模态特征学习，提出了具有大触发范围的 Super Detector 和 learnable 非最大抑制层的 detector，并提出了可评估特征匹配和图像注册任务性能的基准系统，实验证明本文的方法可以显著提高匹配的准确性及训练的稳定性。
deep-learning-basedlocal feature extractioncross-modal scenariosmultimodal feature learningimage registration
发现论文，激发创造
  • 学习特征分离和动态融合以进行图像取证

    本文提出了四种图像篡改识别方法并设计了适应性强的 FDDF 模型以识别不同的图像篡改模式，并构建了一个五倍于之前数据集的实景万能复制（RUR）数据集。实验表明，FDDF 模型在 RUR 数据集上表现出色，是目前最先进的技术之一。

    Jun, 2022

  • 解耦使得弱监督本地特征更好

    本文提出了针对弱监督本地特征学习量身定制的解耦式描述 - 检测管道，通过引入按线查找策略以明确利用相机姿态信息来学习更好的描述符，并解耦检测步骤直到学习到具有辨别能力和鲁棒性的描述符后推迟其进行，其方法名为 PoSFeat（相机姿态监督特征），广泛实验证明其优于以往的完全和弱监督方法，并在广泛的下游任务中实现了最先进的性能）。

    Jan, 2022

  • 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

  • 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

  • SFD2: 语义引导的特征检测与描述

    本文提出了一种将高级语义隐式嵌入到检测和描述过程中的语义感知检测器来提高视觉定位准确度的方法，大幅降低了对于外观变化敏感的特征数量，增强了与语义相关的区域的描述符辨别能力，该方法在 Aachen Day-Night 和 RobotCar-Seasons 数据集上的实验表明，在使用 2k 和 4k 关键点的情况下，与先前的本地特征相比，我们的模型表现更好，且速度更快。

    Apr, 2023

  • D2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述

    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

  • 增强可见 - 热交叉模态人员再识别的判别特征学习

    本研究提出了增强可辨别特征学习（EDFL）方法来解决跨模态缺陷和内模态差异问题，同时采用双流卷积神经网络结构以学习多模态共享人物特征，获得了比现有技术明显更好的性能表现，实现了可视 - 热成像人物再识别。

    Jul, 2019

  • 通过解释学习鲁棒的卷积神经网络与相关特征聚焦

    本文提出了一种称为 ReFF 的方法，通过解释输出来探测与任务相关的特征并规范卷积神经网络，以应对训练和测试数据集分布不同的情况，并在测试数据上提高了准确度。

    Feb, 2022

  • 通过联合学习检测和描述关键点来增强可变形局部特征

    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

  • D3Former: 通过显著性引导的 Transformer 共同学习可重复的稠密探测器和特征增强描述符

    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