superpoint+superglue 参考文章

最新推荐文章于 2024-08-08 08:25:37 发布
最新推荐文章于 2024-08-08 08:25:37 发布
阅读量1.2k 收藏 9
点赞数 1
分类专栏： SLAM+SFM 文章标签： html
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_40840693/article/details/120623680
版权

Geometric Loss functions between sampled measures, images and volumes — GeomLoss

https://github.com/jeanfeydy/geomloss



https://github.com/PythonOT/POT

POT: Python Optimal Transport — POT Python Optimal Transport 0.7.0 documentation

superGlue学习_u010949023的博客-CSDN博客

superPoint学习_u010949023的博客-CSDN博客_superpoint

一种基于注意力机制特征匹配网络SuperGlue：端到端深度学习SLAM的重要里程碑_3D视觉工坊-CSDN博客

CVPR论文笔记｜ SuperGlue - 知乎

『论文笔记』SuperGlue - 叠加态的猫 - 博客园

Notes on Optimal Transport

Sinkhorn算法_zsfcg的专栏-CSDN博客_sinkhorn

wasserstein 距离（原理+Pytorch 代码实现）_好人就是拉风的博客-CSDN博客

令人拍案叫绝的Wasserstein GAN - 知乎

想要算一算Wasserstein距离？这里有一份PyTorch实战

想要算一算Wasserstein距离？这里有一份PyTorch实战 | 机器之心

深度 ｜ 传说中的推土机距离基础，最优传输理论了解一下

【免费】台湾大学李宏毅机器学习课程-6-GAN Lecture 6 (2018) WGAN, EBGAN-CSDN讲师的在线视频教程-CSDN程序员研修院

GitHub - gpeyre/SinkhornAutoDiff: Toolbox to integrate optimal transport loss functions using automatic differentiation and Sinkhorn's algorithm

SinkhornAutoDiff/sinkhorn_pointcloud.py at master · gpeyre/SinkhornAutoDiff · GitHub

wassdistance/layers.py at master · dfdazac/wassdistance · GitHub

Approximating Wasserstein distances with PyTorch - Daniel Daza

Convolution/Graph Convolution.py at main · CVHuber/Convolution · GitHub

https://github.com/tkipf/pygcn/blob/master/pygcn/layers.py

https://github.com/tkipf/pygcn

知识在于分享
关注
专栏目录
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
ICCV 2023,最强特征匹配算法？github已1.4k Starts！
3D视觉工坊
08-09 434
作者：一杯红茶 | 来源：3D视觉工坊在公众号「3D视觉工坊」后台，回复「原论文」即可获取论文pdf。添加微信：dddvisiona，备注：深度学习，拉你入群。文末附行业细分群。介绍这篇文章提出了一种新的深度匹配器，LightGlue，基于深度神经网络，用来匹配图像中的局部特征。可以说，这个LightGlue是SuperGlue的加强版本，相比于SuperGlue，在内存和计算方面更高效，同时结...
superpoint+superglue+supermap
qq_60225495的博客
09-02 703
CVPR 2021 | 图像匹配挑战赛总结 (SuperPoint + SuperGlue 缝缝补补还能再战一年)
slzlincent的博客
08-04 2037
https://cloud.tencent.com/developer/article/1855000
SuperPoint 开源项目教程
最新发布
gitblog_00470的博客
08-08 692
SuperPoint 开源项目教程 SuperPointEfficient neural feature detector and descriptor项目地址:https://gitcode.com/gh_mirrors/su/SuperPoint 项目介绍 SuperPoint 是一个自监督的兴趣点检测和描述框架，适用于计算机视觉中的多个视图几何问题。该项目由 Daniel DeTone、T...
视觉SLAM总结——SuperPoint / SuperGlue
热门推荐
weixin_44580210的博客
05-29 2万+
视觉SLAM总结——super pixel/super clue/super map
SuperPoint和SuperGlue 的算法介绍及学习应用经验分享
weixin_46050242的博客
01-17 6564
SuperPoint和SuperGlue 的算法介绍
SuperPoint 与 SuperGlue 详解（一）
秋山丶雪绪的博客
09-01 2万+
1. 简介 SuperPoint: Self-Supervised Interest Point Detection and Description (CVPR 2018) 论文地址 代码地址 SuperGlue: Learning Feature Matching with Graph Neural Networks (CVPR 2020) 论文地址 代码地址   两篇论文都出自 Magic Leap 团队，SuperPoint 提取特征点及描述符，SuperGlue 做特征点匹配 2. SuperPoi
实锤了！ICCV 2023最强特征匹配算法？github已1.4k Starts！
计算机视觉工坊
04-21 65
这篇文章提出了一种新的深度匹配器，LightGlue，基于深度神经网络，用来匹配图像中的局部特征。可以说，这个LightGlue是SuperGlue的加强版本，相比于SuperGlue，在内存和计算方面更高效，同时结果更准确，也更容易训练，SuperGlue是在其之前性能最好的特征匹配算法。LightGlue通过适应每幅图像的难度来决定什么时候退出推理。图像匹配的难度取决于两幅图像视觉重叠度、外观变化程度。
CVPR‘24开源 | 吊打LightGlue！OmniGlue：最强通用特征匹配！
计算机视觉工坊
05-29 719
图像匹配领域一直在不断涌现新的可学习特征匹配技术，其在传统基准测试上的性能不断提高。然而，我们的调查表明，尽管取得了这些进展，但它们在真实世界应用中的潜力受到了限制，因为它们对新颖图像领域的泛化能力有限。在本文中，我们介绍了 OmniGlue，这是第一个以泛化为核心原则设计的可学习图像匹配器。OmniGlue利用视觉基础模型的广泛知识来指导特征匹配过程，提高了对训练时未见过的领域的泛化能力。此外，我们提出了一种新颖的关键点位置引导的注意力机制，该机制能够解耦空间和外观信息，从而提高了匹配描述符的性能。
超详细介绍如何使用神经网络进行特征匹配的简介
DT程序员的博客
07-24 231
本文超详细介绍如何使用神经网络进行特征匹配的简介
图像匹配天花板：SuperPoint+SuperGlue复现
yu_xinli的博客
08-15 1万+
图像匹配（也可以做视频匹配，我这里做的是图像匹配）复现也特别简单，环境配置好了也不怎么报错。
基于SuperPoint与SuperGlue实现图像配准
a486259的博客
02-17 9062
基于SuperPoint与SuperGlue实现图像配准，项目地址https://github.com/magicleap/SuperGluePretrainedNetwork，使用到了特殊算子grid_sample，在转onnx时要求opset_version为16及以上（即pytorch版本为1.9以上）。
C++libtorch部署Superpoint+Superglue模型
多学知识好进厂
07-03 2290
C++部署superpoint+superglue
[论文解读]SuperGlue: Learning Feature Matching with Graph Neural Networks
qq_17732497的博客
04-24 5732
SuperGlue: Learning Feature Matching with Graph Neural Networks 个人感受： 这个是继SuperPoint 后该组又一次推进，感觉效果更加强了，如果superpoint只是在尝试学习传统方法的流程，LFNet end-to-end training就在benchmark上超越了SIFT，近来CVPR19的D2Net 就直接跳出了传统方法...
论文解读：SuperGlue: Learning Feature Matching with Graph Neural Networks
a486259的博客
06-10 4352
1、将两个图之间的特征点匹配问题松弛为两个特征点图的最优传输问题，可以快速的处理遮挡点、不可重复点的问题； 2、以图像对的形式进行端到端的训练，预先在大型数据集学习姿态估计的先验，使其能推理三维场景； 3、将自然先验应用到模型结构设计中（可以见章节三），设计了点最多是一对一、有些点缺少匹配点； 4、将特征点之间的关系定义为内点（一个图像内）和外点（两个图像间），分别使用self-attention和cross-attenion提前特征； 5、使用神经网络预测两个图之间的传输成本，然后使用辛克霍恩迭代来计算两
SuperGlue: Learning Feature Matching with Graph Neural Networks 论文解析
木独的博客
01-18 3491
SuperGlue: Learning Feature Matching with Graph Neural Networks 论文解析 简介 出发点 快速最临近邻搜索（FLANN）算法常常被用于匹配得到最近邻特征点，从而得到图片A和图片B中的特征点的匹配对。但是本文认为，特征点的提取与描述采用复杂的深度学习算法后不再是限制因素，而Naive的匹配方法才是限制其性能的关键点。因此本文在SuperPoint的基础上提出了一种匹配算法，取得了匹配性能的极大改进。 相关工作 经典的局部特征匹配流程 提取特
论文阅读《SuperGlue: Learning Feature Matching with Graph Neural Networks》
薛定谔的猫头咕咕咕
03-25 4553
论文地址：https://arxiv.org/abs/1911.11763 代码地址：https://github.com/magicleap/SuperGluePretrainedNetwork 背景 SuperGlue是一个特征匹配与外点剔除的网络，它将特征匹配问题等价于求解可微分最优化转移问题，再使用GNN来构建损失函数；受到Transformer的启发，作者提出了一个自注意力机制与交叉注意力机制来抽取同一幅图内特征点间的融合信息与两幅图之间的特征点的视觉关联信息，该模型的输入为图像对的特征点与描述
SuperGlue：Learning Feature Matching with Graph Neural Networks论文阅读
人无远虑，必有近忧
08-19 2111
ETHZ ASL与Magicleap联名之作，CVPR 2020 Oral（论文见文末），一作是来自ETHZ的实习生，二作是当年CVPR2018 SuperPoint的作者Daniel DeTone。Sarlin小伙之前在MagicLeap实习，在ETHZ（苏黎世联邦理工） ASL 完成硕士，目前在 ETHZ CVG就读博士，不是TUM（慕尼黑工业大学）的CVG。
superpoint+superglue
01-05
SuperPoint和SuperGlue是一种基于深度学习的图像配准方法。SuperPoint用于提取图像中的关键点，而SuperGlue用于将两幅图像的关键点进行匹配和配准。 由于官方发布的SuperPoint和SuperGlue模型是基于COCO数据集训练的，可能与实际业务中的数据存在差距。因此，可以使用开源的pytorch-superpoint和pytorch-superglue来实现自己的图像配准任务。 具体步骤如下： 1. 安装pytorch-superpoint和pytorch-superglue库。 2. 使用pytorch-superpoint库提取图像中的关键点。可以参考该库的文档和示例代码来了解如何使用。 3. 使用pytorch-superglue库进行关键点的匹配和配准。该库提供了一些预训练的模型，可以直接使用或进行微调。 4. 根据实际需求，对配准结果进行后处理，例如去除错误匹配或优化配准结果。 下面是一个示例代码，演示了如何使用pytorch-superpoint和pytorch-superglue进行图像配准： ```python import torch import cv2 from superpoint import SuperPointFrontend from superglue import SuperGlueFrontend # 加载SuperPoint模型 superpoint = SuperPointFrontend(weights_path='superpoint.pth') # 加载SuperGlue模型 superglue = SuperGlueFrontend(weights_path='superglue.pth') # 读取两幅图像 image1 = cv2.imread('image1.jpg') image2 = cv2.imread('image2.jpg') # 提取关键点 points1, desc1, heatmap1 = superpoint.run(image1) points2, desc2, heatmap2 = superpoint.run(image2) # 进行关键点匹配和配准 matches, conf = superglue.run(image1, image2, points1, points2) # 可以根据需要对配准结果进行后处理 # 输出配准结果 print(matches) ``` 请注意，上述代码仅为示例，实际使用时需要根据具体情况进行适当的修改和调整。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值