CVPRJun, 2023

鱼眼和透视图像自监督兴趣点检测和描述

PDF
TL;DR本文通过自监督学习的方法针对鱼眼和投影图像混合的情况，研究关键点检测和匹配问题，提出了一种训练兴趣点检测器和描述符网络的方法，并证明了目前的方法不是最优解，提出的方法是最有效的。
keypoint detectioncomputer visiondeep learningfisheyeprojective image
发现论文，激发创造
  • 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

  • 自监督等变学习用于定向关键点检测

    本文提出了一种使用旋转卷积神经网络的自监督学习框架，通过生成的图像对和直方图来训练密集方向对准损失，从而学习检测具有鲁棒性的定向关键点，并在图像匹配和相机姿态估计基准测试中表现出优异的性能。

    Apr, 2022

  • SuperPoint: 自监督兴趣点检测与描述

    本文提出了一种自监督框架，用于训练适用于计算机视觉中大量多视图几何问题的兴趣点检测器和描述符。通过引入多尺度、多单应性方法的 Homographic Adaptation，我们的模型通过训练于 MS-COCO 数据集，能够相对于其他传统角点检测器和深度模型，检测到更丰富的兴趣点，并在 HPatches 上取得了最先进的单应性估计结果。

    Dec, 2017

  • 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

  • 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

  • UR2KiD: 无需局部一致性监督的统一检索、关键点检测和关键点描述

    本文提出了一种基于 ResNet 模型的统一框架，用于关键点检测、特征提取和图像检索，不需要使用点对点的训练数据，利用通用技术在标准 ResNet 模型的连续层中提取局部信息，通过局部响应值的池化提取全局信息，可以在各种具有挑战性的评估条件下获得与最先进方法相当的结果，而无需像素级对应关系的监督。

    Jan, 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

  • Quad-networks: 无监督学习用于兴趣点检测排名

    本文提出了一种利用神经网络进行无监督学习的方法，通过在变换不变的情况下对兴趣点进行排名，采用排名的前 / 后分位数提取兴趣点，证明其在标准 RGB 图像和 RGB 与深度图像间的兴趣点检测任务中具有更好的性能。

    Nov, 2016

  • 自监督关键点学习的神经异常值拒绝

    本研究提出了 IO-Net (内点外点网络) 和 KeypointNet (关键点网络) 两种神经网络架构，分别用于自监督学习的关键点检测、描述和匹配，通过在挑战性基准测试上的实验证明，所提出的自监督学习方法显著提高了关键点匹配和单应矩阵估计的质量。

    Dec, 2019

  • 通过判别学习实现三维兴趣点检测

    本文探讨了用随机森林作为在三维图形网格上进行监督二分类的工具来检测感兴趣点，以替代几何学方法的不足，同时解决了由于感兴趣点和非感兴趣点的先验概率存在显著差异而导致的不平衡学习问题。该方法在一项新的标准基准测试中得到了验证和比较。

    Dec, 2013