- CVPR跨域视觉地点识别仅需要本地特征吗?
本文研究使用基于空间验证的重新排序方法尝试解决视觉地方识别中光照和遮挡等困难问题,并给出了新的综合基准和两个具有挑战性的数据集。
- MM只假设一次:使用旋转等变描述符进行点云配准
本文提出了一种基于局部描述符的新型点云配准框架 You Only Hypothesize Once(YOHO),通过群等变特征学习技术获得旋转不变性,同时具有旋转等变性,从而仅需一个对应假设即可估计配准,大大提高了效率和准确性。实验证明,相 - MM基于图像到类别稀疏相似性编码的少样本无监督域自适应
本文研究了一种称为 few-shot unsupervised domain adaptation (FS-UDA) 的有价值设置,并提出了一种基于本地描述符的高效方法来提高图像分类和域适应的性能
- RoRD: 旋转鲁棒的特征描述符和正交视图用于局部特征匹配
本文介绍了一种使用数据增强和正交视角投影学习不变性描述符的新框架,通过旋转保角本质的数据增强学习旋转不变性的本地描述符,并通过一种对特征匹配方法进行改进的技术以及新的自定义数据集进行了验证,在包括姿势估计和视觉位置识别等关键任务上提供了实用 - ECCV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 - ECCV在线局部特征描述符的不变性选择
本文提出了一种名为 LISRD 的基于局部不变量选择的描述符框架,可使描述符在不需要不变性时保持有区分度,适应图像的不良变化,提高匹配性能,并在多项匹配任务中表现出色。
- D2D: 使用描述符进行关键点提取的方法检测
本研究提出了一种新的方法,利用描述符空间中的信息提出关键点位置。该方法称为 D2D,它利用成功的描述符模型选择具有高信息内容的显著位置作为关键点定位,并在多个基准测试中表现出优异的匹配性能。
- CVPR重新审视基于局部描述符的图像到类别度量在小样本学习中的应用
本文介绍了一种以本地描述符为基础的图像分类方案,用于完成少样本学习任务,并证明了该方案具有更高的效率和准确性,实验结果表明,在基准数据集上,本方案相对于其他先进算法的绝对优势高达 17%。
- 多模式遥感图像快速鲁棒匹配技术
该研究提出了一种快速而强韧的匹配框架,该框架将局部描述符与 3DFFT 技术相结合,用于不同模态数据的图像配准。实验结果表明,该框架比现有方法具有更优的匹配性能。
- ECCVGeoDesc: 融合几何约束学习局部描述符
本文提出一种新颖的基于几何约束的局部描述符学习方法 ——GeoDesc,旨在改善学习局部描述符在图片三维重建中的泛化性能不足的问题。结果表明,GeoDesc 在各种大型基准测试中表现出优异的性能,并在具有挑战性的重建任务中显著成功。此外,本 - MM图像检索的基于选择性深度卷积特征
本文提出了一种新颖的框架用于图像检索,通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题,并采用最新的嵌入和聚合方法进一步提高特征可区分性,从而达到了最先进的检索准确度。
- 将基于残差的局部描述符重构为卷积神经网络:一种应用于图像伪造检测的方法
本文研究了基于图像噪声残留的局部描述符在图像取证领域,如伪造检测和定位方面的应用。通过将这种基于残留的描述符类看作简单的受约束的卷积神经网络(CNN),我们在相对较小的训练集上进行微调,松弛约束,获得了与传统检测器相比显著的性能提升。
- 比赛核函数中的干扰
提出了两种方法来解决局部特征点干扰问题,即通过在聚合阶段包含一组描述符权重来平等地处理每个本地描述符的个体贡献,并在标准公共图像检索基准测试中进行实验证明对于短向量或中向量的图像搜索,这两种方法都比对象方法表现更好。
- SIFT 遇见 CNN:实例检索十年回顾
本文概述了过去十年内的实例检索方法,包括基于 SIFT 和 CNN 的方法,并探讨了其在不同数据集上的表现和应用前景。
- 基于交叉流的改进稠密轨迹特征提取
为了解决密集轨迹提取过程中的问题,我们提出了一种新的局部描述符,它汇聚了在 iDT 中交错两个网络之间的新卷积层,通过将一个网络中学习到的有区分性的权重应用到另一个网络的卷积层上来计算得到。该方法在 UCF101 上达到了 92.3%,在 - MM材料分类中 Fisher 向量内部分量之间的相关性探究
本文介绍了一种名为 Completed Fisher vector(CFV)的图像表示方法,相较于传统的 Fisher vector(FV),CFV 不仅能够描述局部特征的方差,还能够描述局部特征的相关性,从而提高了鉴别能力,实验结果表明, - 局部深度描述符回归的人脸对齐
本篇研究提出了一种基于深度卷积神经网络的关键点描述符提取算法,其能够高效提取面部特征从而替代传统方法 SIFT 和 HOG,并构建了一种基于回归的面部对齐算法,称为 LDDR,该算法在公开数据集上进行了验证,并有望在多种尺度、角度和遮挡下实 - PN-Net: 用于学习本地图像描述符的三重深度联合网络
本文提出了一种新的学习本地描述符以匹配图像补丁的方法,使用三元组的正面和负面对来训练网络并引入了一种新的损失函数以提高匹配性能。我们将我们的描述符与 MatchNet 和 DeepCompare 进行比较,并证明了我们的优势。
- 具有嵌入的方位协变局部描述符聚合
本文提出了一种基于角度的局部描述符集成方法,通过将角度一同编码到集成阶段并结合单项式嵌入来实现对局部描述符的聚合。此方法不需要码本,并且适用于多种编码方法。在 Holidays 和 Oxford buildings 数据集上的实验证明其对于 - CVPR广义最大池化
该论文提出了一种新的池化机制 —— 广义最大池化(GMP),该机制可以缩小常见而无用描述符和罕见但有信息量的描述符之间的差距,该机制不仅适用于诸如 BOV 等基于计数统计的表示形式,而且特别适用于最尖端的 Fisher Vector,该机制