ICCVAug, 2023

S-TREK: 顺序平移旋转等变特征点用于局部特征提取

PDF
TL;DR该研究介绍了 S-TREK，一种新颖的局部特征提取器，它将深度关键点检测器（通过设计具有平移和旋转等价性）与轻量级的深度描述器提取器相结合。我们通过受强化学习启发的框架来训练 S-TREK 关键点检测器，利用顺序操作来最大化与关键点可重复性直接相关的奖励。我们的描述符网络通过 “检测，然后描述” 方法进行训练，在仅对已训练的检测器选择的位置评估描述符损失。多个基准测试的大量实验证实了我们提出方法的有效性，S-TREK 在重复性和恢复位姿质量方面通常优于其他最先进的方法，特别是在处理平面内旋转时。
s-treklocal feature extractordeep keypoint detectorreinforcement learningdescriptor network
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

  • RIDE: 内窥镜的自监督学习旋转等变关键点检测和不变描述

    基于学习的方法 RIDE 在内窥镜图像中实现了旋转均变的检测和不变描述，无需手动标记训练数据，在匹配和相对位姿估计任务中表现突出，并在手术组织跟踪方面具有竞争力的得分。

    Sep, 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

    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

  • 基于对称评估的关键点描述 —— 在生物识别中的应用

    通过模型化特征提取器描述关键点周围的邻域，使用有限展开来估计空间变化的方向，利用谐波函数来确定关键点位置并描述邻域的物体形状，这对传统纹理特征是一种新的补充和附加，具有显著的验证和识别能力。

    Nov, 2023

  • Steerers：旋转等变关键点描述符的框架

    通过学习描述符的线性变换实现对输入图像的旋转编码，从而产生具有大视角变化下鉴别性和匹配性的图像关键点描述符，且在旋转不变图像匹配基准 AIMS 和 Roto-360 上取得了最先进的结果。

    Dec, 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

  • 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

  • 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

  • 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

  • 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