CVPRApr, 2023

通过联合学习检测和描述关键点来增强可变形局部特征

PDF
TL;DRDALF 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.
local feature extractioncomputer visiondalfdeformation-awarekeypoint detection
发现论文，激发创造
  • 通过学习变形提取变形感知本地特征

    本文提出了一种新的局部特征计算方法 DEAL，通过极坐标采样和空间变换器抵消旋转、尺度和形变的影响，能够提供不变性。我们将模型应用于模拟环境中的几何体进行同构非刚性变形，以提供高度判别局部特征，并证明了该方法在不同数据集中相对于现有的局部特征和 RGB-D 描述符跑出了更好的结果。

    Nov, 2021

  • 学习检测关键点以改善可变形对象的匹配

    我们提出了一种新颖的学习关键点检测方法，用于增加非刚性图像对应任务中正确匹配数目。通过利用使用指定描述符提取器匹配注释图像对获得的真实对应关系，我们训练了一个端到端的卷积神经网络（CNN）来寻找更适合所考虑描述符的关键点位置。为此，我们对图像应用几何和光度变换来生成监督信号，从而优化检测器。实验证明，我们的方法在与我们的检测方法结合使用时，可以提高多个描述符的均值匹配精度，并且在非刚性对象的真实图像上优于最先进的关键点检测器 20 个百分点。我们还将我们的方法应用于复杂的现实世界的物体检索任务中，我们的检测器在这个任务上的性能与当前可用的最佳关键点检测器相当。源代码和训练好的模型可以在此 URL 上公开获取。

    Sep, 2023

  • 具关注力的深度局部特征进行大规模图像检索

    我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。

    Dec, 2016

  • DeDoDe: 本地特征匹配中的检测，不是描述 - 描述，不是检测

    基于 3D 连续性，我们通过从大规模 SfM 中训练探测器来直接学习关键点，并且通过分离的网络最大化互相最近邻目标来训练描述符。结果表明，我们的方法 DeDoDe 在多个几何基准测试中取得了显著的增益。

    Aug, 2023

  • D3Feat：3D 局部特征的密集检测与描述的联合学习

    本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

    Mar, 2020

  • ASLFeat: 学习准确形状和定位的本地特征

    ASLFeat 是一种新的本地特征检测器和描述符结合的方法，使用可变形卷积网络估计本地特征点的形状，从而实现更强的几何不变性。此外，ASLFeat 使用层次结构以恢复空间分辨率和局部细节，并通过尖锐度测量来推导最有指示性的检测分数，以进一步提高检测精度和可靠性，并可在各种实际场景中获得最新的研究成果。

    Mar, 2020

  • P2-Net：针对像素和点匹配的局部特征描述和检测的联合方法

    提出了一个双重完全卷积框架，用于建立 2D 图像和 3D 点云之间的精细对应关系，以直接匹配像素和点，并实现了室内视觉定位的任务中领先的最优结果。

    Mar, 2021

  • SEKD：自适应进化的关键点检测和描述

    使用自监督框架 SEKD 从未标记的自然图像中学习高级局部特征模型，实现了与传统手工精制和基于深度神经网络方法相比表现更好的齐次估计、相对姿态估计和结构运动任务检测。

    Jun, 2020

  • 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

  • ALIKED: 一种基于可变形转换的轻量化关键点和描述符提取网络

    本研究介绍了 Sparse Deformable Descriptor Head（SDDH）模型，它通过采用少量关键点来提高描述符抽取的效率和表现，适用于多种视觉测量任务，包括图像匹配，三维重建和视觉重定位。

    Apr, 2023