Oct, 2023

FMRT：学习准确特征匹配的调和变换器

PDF
TL;DR本研究提出了一种名为 Feature Matching with Reconciliatory Transformer（FMRT）的新型 Transformer-based 检测器自由方法，它能够自适应地调解不同特征和多个感受野，并利用并行网络来实现可靠的位置编码，实验表明 FMRT 在多个基准测试中表现出非凡的性能。
local feature matchingtransformer-based methodsreconciliatory transformerreceptive fieldsfmrt
发现论文，激发创造
  • LoFTR: 基于 Transformer 的无检测器局部特征匹配

    本文提出了一种新的局部图像特征匹配方法，使用 Transformer 的自注意层和交叉注意层得出特征描述符，在低纹理区域中实现稠密匹配，在室内和室外数据集上表现优异，成为视觉定位的新的 state-of-the-art 方法。

    Apr, 2021

  • LGFCTR: 图像匹配的局部和全局特征卷积变换器

    通过引入卷积变换器，本研究提出了一种捕捉图像匹配的局部环境和全局结构的新型图像匹配方法，该方法在各种基准测试中取得了卓越的性能。

    Nov, 2023

  • 被遮挡人员再识别的短距离相关变换器

    我们提出了一种基于局部特征变换器的人员再辨识框架（PFT），通过三个模块设计，在提高视觉变换器的效率的同时最大限度提取局部特征，实现了对局部遮挡情况下的人员再辨识。实验结果显示，PFT 网络在遮挡和整体再识别数据集上表现出优异性能，并优于现有技术。

    Jan, 2022

  • 学习特征恢复变换器用于遮挡人物重新识别

    该研究提出了一种名为 Feature Recovery Transformer（FRT）的新方法，通过可见性图匹配和特征恢复变压器来同时解决干扰噪声和遮挡带来的行人信息损失的问题，与其他最新技术相比，在挑战性的 Occluded-Duke 数据集上的准确性提高至少 6.2% Rank-1 和 7.2% mAP 打分。

    Jan, 2023

  • TransMVSNet：基于 Transformer 的全局上下文感知多视角立体网络

    本研究提出了 TransMVSNet，它是基于多视图立体视觉（MVS）中的特征匹配的探索而来的，利用 Feature Matching Transformer 实现自内、交叉注意力聚合图像内外的长程上下文信息来完成 MVS 任务，并借助 Adaptive Receptive Field 模块和 Pair-wise feature correlation 量化特征的相似性和优化任务效果。实验结果表明，该方法在多个基准数据集上取得了最优的性能。

    Nov, 2021

  • RF-Net：基于感受野的端到端图像匹配网络

    本文提出一种新的端到端可训练的匹配网络 RF-Net，基于感受野计算图像之间的稀疏对应关系。通过引入感受野来构建特征图，增强关键点检测效果，同时加入邻居掩码来提高描述符训练的稳定性。我们在公开数据集 HPatches 上训练并与其他方法进行了对比，实验结果表明 RF-Net 在多个基准数据集上优于现有的最先进方法。

    Jun, 2019

  • 使用重新排序变换器进行实例级别图像检索

    本文提出了一种新的模型 Reranking Transformers (RRTs)，它可以在有监督的环境下整合全局和局部特征，以重排匹配的图像，从而替代代价较高的基于几何验证的过程。经实验表明，该模型的性能优于以前的重排序方法，且使用更少的本地描述符达到更好的结果。

    Mar, 2021

  • 基于多模态协作变压器和混合特征重建的强鲁棒情感识别

    多模情感识别是情感计算的重要方面，本文提出了一种统一框架 Modality-Collaborative Transformer with Hybrid Feature Reconstruction (MCT-HFR) 来解决构建不对齐多模特征的联合表示的效率和随机模态特征缺失引起的性能下降的挑战，并在两个广泛应用的基准数据集上获得了优于先进基准模型的结果。

    Dec, 2023

  • 基于可训练特征匹配注意力网络的单张图像超分辨率

    通过集成可学习的特征匹配和非局部特征学习方法，在超分辨率图像恢复中改善了卷积神经网络的表达能力，进一步提高了性能。

    May, 2024

  • RMT：记忆网络与视觉转换器的结合

    我们结合了 RetNet 和 Transformer 提出了 RMT，通过引入显式衰减和空间先验知识的方式，使得 RMT 在计算机视觉任务中表现出卓越的性能。

    Sep, 2023