基于深度学习的图像局部特征

最新推荐文章于 2024-09-26 12:01:42 发布
最新推荐文章于 2024-09-26 12:01:42 发布
阅读量5k 收藏 39
点赞数 5
分类专栏： 计算机视觉 图像局部特征 文章标签： 基于深度学习的特征点提取 基于深度学习的描述符 图像局部特征
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/honyniu/article/details/85618202
版权

基于深度学习的图像局部特征


（这里主要是记录一下自己看论文的思路和过程，目前时间不是很充足，有些写到一半，后面有时间会继续更新）

图像局部特征

传统的特征提取和特征描述方式，比如SIFT、SURF和ORB等，需要人工去手动提取特征点，然后设计特征描述符。目前随着深度学习的发展，越来越多的工作尝试使用学习的方式来提取特征点或者是计算特征点的描述符，后面会介绍一下相关的工作。
最近有很多的相关工作，想直接获取原文链接的同学，这里整理了一些可以参考（会同步更新的）：基于学习方式的图像局部特征。

相关工作

GeoDesc

GeoDesc 论文详解

SuperPoint

SuperPoint 论文详解

HardNet

HardNet 论文详解

L2-Net

L2-Net 论文详解

LIFT

LIFT 论文详解

评价指标和数据集

局部特征评价指标

局部特征评价指标

HPatches

HPatches 数据集和评价指标

Brown

Brown 数据集和评价指标

总结对比

下面简单列举从14年来使用深度学习方法来提取特征点或者是计算特征点的描述符的工作。下面列举的方法的相关信息以及论文和代码链接都进行了整理，在链接可以找到。
传统方法我这里就不说明和列举了，有兴趣的可以自己去网上查询，资料很多的

提取描述符
GeoDescNY
LF-Net
SIPS
DOAP
SuperPointYY
AffNet
HardNetNY
Spread-out
DeepCD
Quad-networks
L2-NetNY
UCN
LIFTYY
DeepPatchMatch
DeepBit
TFeat
PN-Net
DeepDesc
DeepCompare
TILDE
MatchNet
无比机智的永哥
关注
专栏目录
现代机器学习基于深度学习的图像特征提取
04-12
机器学习基于深度学习的图像特征提取
【深度学习笔记2】——行人重识别之局部特征与深度学习小经验
heshuting555的博客
05-13 4887
【深度学习笔记2】——行人重识别之局部特征与深度学习小经验一. 表征学习和基于特征学习的区别1.表征学习：2.基于局部特征学习：二. 解读论文（MGN）三. 解读论文（Human Semantic Parsing for Person Re-identification）二. 行人重识别的四大类loss1.Distance loss：1）余弦距离（Consine distance）2）杰卡德距离（...
【深度学习】特征提取：传统算法 vs 深度学习
最新发布
fengdu78的博客
09-26 489
编者荐语特征提取是计算机视觉中的一个重要主题。不论是SLAM、SFM、三维重建等重要应用的底层都是建立在特征点跨图像可靠地提取和匹配之上。特征提取是计算机视觉领域经久不衰的研究热点，总的来说，快速、准确、鲁棒的特征点提取是实现上层任务基本要求。特征点是图像中梯度变化较为剧烈的像素，比如：角点、边缘等。FAST（Features from Accelerated Segment Test）是一种高...
全局图像特征与局部图像特征区别
我的博客
03-10 1万+
全局特征是指图像的整体属性，常见的全局特征包括颜色特征、纹理特征和形状特征，比如强度直方图等。由于是像素级的低层可视特征，因此，全局特征具有良好的不变性、计算简单、表示直观等特点，但特征维数高、计算量大是其致命弱点。此外，全局特征描述不适用于图像混叠和有遮挡的情况。局部特征则是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和特别属性的区域等。常见的局部特征包括角点类和区域类两大类描述方式。 ...
深度学习与计算机视觉(11)_基于deep learning的快速图像检索系统
寒小阳
03-11 5万+
本系统是基于CVPR2015的论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》实现的海量数据下的基于内容图片检索系统，250w图片下，对于给定图片，检索top 1000相似时间约为1s，其基本背景和原理会在下文提到。 2.基本问题与技术 大家都知道，基于内容的图像检索系统是根据图像的内容，在已有图像集中找到最『相近』的图片。而这类系统的
什么是全局特征,什么又是局部特征
不正经的码狗
04-22 1141
全局特征和局部特征是用来描述数据中信息的两种不同方式，特别是在图像处理、模式识别和机器学习领域中经常被提到。
【ReID】局部特征
博客
03-26 5543
文章目录1.概述2. 水平切块2.1 Gate Siamese2.2 AlignedReID2.3 PCB2.4 ICNN2.5 SCPNet2.6 总结3. 姿态信息3.1 PIE3.2 Spindle Net3.3 PDC3.4 GLAD3.5 PABP3.6 总结4. 分割信息5. 网格特征 1.概述  全局特征是指每一张行人图片的全局信息进行一个特征抽取，这个全局特征没有任何的空间信息。  噪声区域会对全局特征造成极大的干扰；姿态的不对齐也会是的全局特征无法匹配。  局部特征是指对图像中的某一个区
基于深度学习的数字图像处理pptx.pptx
08-03
基于深度学习的数字图像处理 pptx 深度学习是使机器模仿视听和思考等人类的活动的技术，通过学习样本数据的内在规律和表示层次，获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器...
深度学习图像增强代码+文章
04-02
3. **深度学习在图像增强中的应用**：常见的深度学习图像增强技术包括使用CNN进行自编码器（Autoencoder）或生成器（Generator）的训练，以学习数据的表示并生成新的图像。此外，对抗性训练（Adversarial Training）...
基于深度学习的图像质量评价_深度学习；图像质量评价；_
10-02
本文将深入探讨“基于深度学习的图像质量评价”这一主题，旨在利用深度神经网络（DNNs）对图像质量进行客观评估。 首先，我们要理解图像质量评价的目的，它主要是为了衡量图像经过压缩、传输或处理后的视觉效果，...
基于深度学习与特征融合的人脸识别算法.pdf
05-11
本文提出了一种基于深度学习与特征融合的人脸识别算法，该算法通过将局部二值模式信息与原图信息相结合作为SDFGG网络的输入，使得提取的人脸特征更加丰富且更具表征能力。实验结果表明，该算法可以提高人脸识别准确...
基于深度学习的局部实例搜索.pdf
08-18
基于深度学习的局部实例搜索.pdf
结合深度学习和全局-局部特征的图像显著区域计算.pdf
08-18
结合深度学习和全局-局部特征的图像显著区域计算.pdf
局部特征(6)——局部特征描述汇总
blog
05-10 1万+
局部特征系列： 局部特征(1)——入门篇 局部特征(2)——Harris角点 局部特征(3)——SURF特征总结 局部特征(4)——SIFT和SURF的比较 局部特征(5)——如何利用彩色信息 Color Descriptors 局部特征(6)——局部特征描述汇总  --------------------------------------
图像检索研究进展：浅层、深层特征及特征融合
TTdreamloong的博客
04-03 3万+
本文转自专知http://www.zhuanzhi.ai/document/7f7be4ead5b936eb91640a550c3506f4 方便自己学习 如有侵权 请联系删除1 引言随着计算机网络、社交媒体、数字电视和多媒体获取设备的快速发展，以图像和视频为代表的多媒体数据的生成、处理和获取变得越来越方便, 多媒体应用日益广泛，数据量呈现出爆炸性的增长，已经成为大数据时代的主要数据对象。如何在海...
计算机视觉的深度学习实战四：图像特征提取
u013699471的博客
05-17 5994
频域分析及变换 更多精彩内容请关注微信公众号：听潮庭。 计算机视觉的深度学习实战四：图像特征提取 综述： 颜色特征 量化颜色直方图、聚类颜色直方图 几何特征 Edge，Corner，Blob 基于关键点的特征描述子 SIFT、SURF、ORB 其他特征提取：（LBP、Gabor） 代码实践 一、颜色特征 1、量化颜色直方图 适用颜色空间：RGB、HSV等颜色空间 操作 ...
特征工程(七)：图像特征提取和深度学习
weixin_41643439的博客
05-28 9619
来源：https://mp.weixin.qq.com/s/pZWKECYyvLlkB-Qt8wi0fw 视觉和声音是人类固有的感觉输入。我们的大脑是可以迅速进化我们的能力来处理视觉和听觉信号的，一些系统甚至在出生前就对刺激做出反应。另一方面，语言技能是学习得来的。他们需要几个月或几年的时间来掌握。许多人天生就具有视力和听力的天赋，但是我们所有人都必须有意训练我们的大脑去理解和使用语言。 有趣的是，机器学习的情况是相反的。我们已经在文本分析应用方面取得了比图像或音频更多的进展。以搜索问题为例。人们.
深度学习-CNN提取图像特征
热门推荐
知识搬运工的博客
01-30 9万+
一、卷积层 1.卷积操作 2.特征提取—"X" or "O"？ 二、池化(Pooling) 三、Relu 层 四、全连接层(Fully connected layers) 五、反向传播算法BP 六、总结 作为机器学习的一个分支，深度学习同样需要计算机获得强大的学习能力，那么问题来了，我们究竟要计算机学习什么东西？答案当然是图像特征了。将一张图像看做是一个个像素值组成的...
计算机视觉与深度学习-纹理表示&卷积神经网络
weixin_44606139的博客
10-01 958
计算机视觉与深度学习-纹理表示&卷积神经网络
SuperPoint
09-14
### 回答1： SuperPoint 是一种用于特征检测和匹配的算法。它能够快速、精确地检测图像中的关键点，并将它们用来匹配不同的图像。这种算法在许多计算机视觉任务中得到了广泛应用，包括图像拼接、相机定位和三维建模。 ### 回答2： SuperPoint 是一种在计算机视觉领域应用的特征点检测和描述算法。它是基于深度学习的方法，采用了在大规模图像数据集上进行无监督训练的方式来学习特征点。与传统的手工设计的特征点算法相比，SuperPoint 在性能上更加出色。 SuperPoint 算法的核心思想是通过一个神经网络来直接学习图像中的特征点。具体地说，SuperPoint 基于卷积神经网络（CNN）和特征金字塔，结合了监督和无监督的训练方式。它能够对输入的图像进行参数化处理，提取出特征点所在的位置和对应的描述子。 SuperPoint 在训练时使用了大量的图像数据，这样网络能够学到更多的视觉特征，从而提高了特征点检测和描述的准确性。此外，SuperPoint 还采用了金字塔法来处理不同分辨率的图像，使得算法能够在多个尺度下进行特征提取，提高了算法的鲁棒性。 SuperPoint 在实际应用中有广泛的用途，特别是在图像配准、目标跟踪、三维重建等领域。它可以用于匹配图像中的特征点，以及在图像序列中跟踪目标。它还可以提供用于三维重建的描述子，用于生成稠密点云或构建三维模型。 总之，SuperPoint 是一种基于深度学习的特征点检测和描述算法，通过无监督训练从大规模图像数据中学习特征点。它在性能上优于传统的手工设计算法，在图像配准、目标跟踪和三维重建等领域有着广泛应用。 ### 回答3： SuperPoint是一个基于深度学习的特征点检测和描述算法。它最初由美国某大学的研究团队提出，旨在解决传统算法在特征点数量和精度上的限制。 SuperPoint采用深度神经网络模型，通过训练过程学习到特征点的位置和描述。与传统算法相比，SuperPoint具有以下优点：首先，SuperPoint能够检测到更多的特征点，覆盖面积更广。这得益于深度学习模型的强大处理能力，可以从图像中学习到更多丰富的特征信息。第二，SuperPoint对于重复和模糊的特征点有更高的鲁棒性。传统算法往往难以区分这些特征点，而SuperPoint的深度模型能够更好地学习到它们的特点。第三，SuperPoint的描述子有更高的表达能力，能够更好地区分不同的特征点。这使得在进行图像匹配等任务时，SuperPoint能够提供更准确的结果。 SuperPoint已经在多个计算机视觉任务中取得了良好的效果。例如，在三维重建、图像定位和场景理解等领域，SuperPoint在特征点检测和描述方面的性能均优于传统算法。此外，SuperPoint还能与其他深度学习算法相结合，形成更强大的系统，如结合深度估计算法进行立体匹配。 总之，SuperPoint是一种基于深度学习的特征点检测和描述算法，相较于传统算法具有更高的特征点数量和精度。它在多个计算机视觉任务中展现出了良好的性能，为相关研究和应用领域提供了强大的工具。
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