May, 2023

DAC: 深度局部特征的检测器不可知空间协方差

PDF
TL;DR该研究提出了两种后置协方差估计方法，可以用于任何经过预训练的深度特征检测器，这些协方差可以直接与特征匹配误差相关联，从而改善下游任务，包括三角化，透视 - N 点问题和只运动捆绑调整。
deep visual local feature detectorscovariance estimatesfeature matchingtriangulationbundle adjustment
发现论文，激发创造
  • 学习协变特征检测器

    本文提出了第一个完全通用的局部协变特征检测器学习方法，将检测视为回归问题，使用深度神经网络等强大的回归器，提出了一个可以用于自动学习提供局部特征检测稳定锚点的协方差约束，并在标准特征基准测试中展示了平移和旋转协变检测器的实证结果。

    May, 2016

  • 使用稠密不确定度估计的视觉跨视图度量定位

    本文使用新型网络结构和更密集的卫星图像描述符进行多模式区域定位，可将度量定位误差中位数相对于同一区域、跨区域和跨时间的现有技术分别降低 51％、37％和 28％。

    Aug, 2022

  • 深度 MAGSAC++

    本文提出了 Deep MAGSAC++，通过结合传统和深度稳健估计器的优势，引入了一种利用部分仿射不变特征的方向和尺度的新型损失函数，同时采用一种新的随机抽样一致性算法（RANSAC）采样器以及基于贝叶斯方法的优化更新。深度网络的预测作为抽样器内的先验使用。在公共数据集上验证，Deep MAGSAC++ 在基础矩阵估计方面，无论是准确性还是运行时间，均优于现有技术。

    Nov, 2021

  • DAL -- 深度感知的长期跟踪器

    本文提出了基于深度感知的长期 RGBD 追踪算法，通过将深度信息嵌入到深度相关滤波器中，并用于目标重新检测，实现了与当前最先进 RGBD 追踪算法相当甚至更好的性能，运行速度达 20fps。

    Dec, 2019

  • DPC-Net：用于视觉定位的深度姿态校正

    该论文介绍了一种新方法，它将深度网络的能力与几何和概率定位算法的计算效率相结合，通过矩阵李群方法导出了一个新的损失函数用于学习 SE (3) 修正，用 DPC-Net 预测从地面实况训练数据中学习得到的模型纠正特定的估计器、传感器和环境误差，并展示了如何减轻镜头失真参数不良校准的影响。

    Sep, 2017

  • 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

  • 基于相关性学习的多目标跟踪

    本文提出了基于局部相关性模块的密集对应和可学习相关算子来增强模型的判别能力和对时间上下文的捕捉能力，从而在多目标跟踪方面取得了最先进的效果，并在 MOT17 数据集上实现了 76.5% 的 MOTA 和 73.6% 的 IDF1。

    Apr, 2021

  • 语义分割的深度确定性不确定性

    本文提出将 Deep Deterministic Uncertainty 扩展至语义分割领域，其能够量化和分离模型的认识不确定性和随机不确定性，同时提出将 DDU 独立于像素位置进行应用，以此减少内存消耗，最后在 Pascal VOC 2012 数据集上使用 DeepLab-v3+ 神经网络结构能够有效提升模型性能与运算速度。

    Oct, 2021

  • 通用对应网络

    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

  • 局部特征和视觉单词在激活中出现

    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