Dec, 2023

图像点描述符的残差学习

PDF
TL;DR本文提出了一种通过使用手工制作的检测器和描述符来学习本地图像描述符的非常简单且有效的方法，通过对手工制作的描述符已有的知识进行优化，只学习主网络分支的剩余知识，从而在收敛速度上提供了 50 倍的优势，并在推理过程中提供了优于学习和手工制作描述符的性能。该方法在集成学习和非可微函数学习方面具有潜在应用，通过匹配、相机定位和运动过程中的实验展示了我们方法的优势。
local image feature descriptorslearning-based image point descriptorshandcrafted descriptorslearning local image descriptorsensemble learning
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

  • 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

  • SiLK -- 简单学习关键点

    本文采用学习法重新设计现有的关键点检测器，提出了一种名为 Simple Learned Keypoints (SiLK) 的新方法，其表现优异，并在多项任务中获得了最新的最佳性能。

    Apr, 2023

  • 针对平均精度优化的本地描述符

    该研究采用深度神经网络直接优化排名检索表现指标（平均精度），提高本地特征描述符的学习，取得了当前最先进的修补程序验证，修补程序检索和图像匹配的结果。

    Apr, 2018

  • 从手工制作到深度本地特征

    该论文介绍了本地特征从手工制作到基于深度学习的方法的演变概述，讨论了评估这些本地特征的若干基准和论文，探讨了特征提取的挑战和潜在解决方案，并提供了相关文献和代码参考。

    Jul, 2018

  • 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

  • 深度本地描述符的学习与聚合在实例级别的识别中的应用

    该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法，它使用度量学习来训练深度神经网络，通过内部组件的激活传递局部描述符。与现有本地描述符相比，在两个实例级别识别任务中提供更好的性能和更低的存储器需求，这证明了全局描述符在大规模情况下不够有效，适当的局部性是不可或缺的。

    Jul, 2020

  • 努力了解你邻居的边界：本地描述符学习损失

    提出了一种受到 SIFT 匹配标准启发的用于学习局部特征描述符的新型损失函数，试验结果表明，该损失函数优于复杂的正则化方法，且适用于浅层和深层卷积网络结构，将新型损失函数应用于 L2Net CNN 结构得到的紧凑描述符，维度与 SIFT 相同 (128)，并取得了宽基线立体、块验证和实例检索基准的最先进性能。

    May, 2017

  • 为三维点云学习局部多视图描述符的端到端学习

    提出了一个端到端的框架，用于学习 3D 点云的本地多视图描述符。利用可微分的渲染器将多视图表示集成到神经网络中，设计了软视图池化模块来聚合视角间的卷积特征，实验结果表明，本文方法在现有的 3D 配准基准上更优秀。

    Mar, 2020

  • 从合成训练数据中学习在新环境中进行定位

    本文提出了一种可以适应不同场景的视觉定位方法，包括改进的模型架构、层次相关层和尺度和不确定性信息的利用。该方法优于使用 SIFT 特征的 5 点算法和之前训练在不同数据上的学习方法，并在只有很少的参考图像可用的情况下，明显优于现有的学习和经典方法。

    Nov, 2020