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

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

本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度，实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。

Mar, 2020

介绍了一种基于 Morse 理论和持续同调的新颖方法，该方法在计算机视觉中应用于特征检测，具有竞争性的关键点可重复性和理论上鲁棒性的方法。

Jun, 2024

以手部几何为基础的四指生物特征方法，采用特征选择方法提高鉴别性能，实验使用 Bosphorus 手部数据库的 300 个受试者进行测试，通过排名为基础的本地 FoBa 算法选择的 25 个特征子集，实现了最佳鉴别准确率 98.67% 和等错误率 4.6%。

Dec, 2023

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。

Aug, 2023

利用基于放射学特征的关键点检测方法，本研究证明了在图神经网络中的关键点在改进配准过程中的解剖学意义，并展示了图神经网络在图像匹配方面的卓越性能，为拓展图神经网络在图像分类、分割和配准等多个应用领域铺平了道路。

Nov, 2023

该论文提出了一种基于 α- 分子构造的多尺度系统中方向敏感的分析函数的对称性特征检测方法，可以稳定地检测到边缘、脊和斑点等物体特征，并且在噪声存在的情况下依然能保持精度和稳健性。作者在论文中还阐明了分析函数的缩放和方向对应的系数如何用于精确刻画局部切线方向、宽度和高度等特征。在对干净和失真合成图像的大量数值实验中验证了该方法的准确性和鲁棒性，并将其与其他先进算法进行了比较。通过在数字视网膜图像中检测和表征血管特征以及在细胞培养基中自动计数细胞菌落的实验进一步证明了该方法的应用价值。

Jan, 2019

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

本研究提出了一种新颖的不对称特征图（AFM）的概念，可以在不增加存储空间的情况下评估查询和数据库项之间的多个核，并通过导出短向量图像表示来展示 AFM 方法的优点，该表示支持有效的比例和平移不变的基于草图的图像检索，并提供所检索图像中的查询本地化。

Apr, 2017