Apr, 2023

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

PDF
TL;DR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。
image keypointsdescriptorsdeep neural networkssparse deformable descriptor headvisual measurement tasks
发现论文，激发创造
  • 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

  • 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

  • ALIKE：精准且轻量级特征点检测和描述子提取

    提出了一种局部可微的关键点检测模块，能够输出精确的亚像素关键点，用于在各种任务中达到与现有最先进方法相当的性能，同时大大减少了推理时间。

    Dec, 2021

  • 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

  • 局部深度描述符回归的人脸对齐

    本篇研究提出了一种基于深度卷积神经网络的关键点描述符提取算法，其能够高效提取面部特征从而替代传统方法 SIFT 和 HOG，并构建了一种基于回归的面部对齐算法，称为 LDDR，该算法在公开数据集上进行了验证，并有望在多种尺度、角度和遮挡下实现高精度的面部关键点的定位。

    Jan, 2016

  • DH3D: 深度分层三维描述子在鲁棒大规模六自由度重定位中的应用

    本研究提出一种新方法，在大规模点云中实现位置重定位，通过使用 Siamese 网络同时学习全局场景识别和本地六度姿态细化算法来生成全球描述符，并通过有效的注意力机制聚合本地描述符，实现同时获得本地和全局 3D 描述符，实验表明，本方法在全球点云检索和本地点云对比方面比现有技术实现的结果更具竞争力。

    Jul, 2020

  • 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

  • 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

  • KDD-LOAM：基于联合学习的关键点检测器和描述符辅助 LiDAR 里程计和地图构建

    稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。

    Sep, 2023

  • 端到端学习鲁棒姿态 3D 匹配的关键点检测器和描述符

    本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法，以适应于三维深度地图或扫描，通过采样相应的区域提案实现正负样本的自动获取，并在多个基准数据集上进行匹配实验，表明该方法相对于现有方法具有明显的改进。

    Feb, 2018