笔记： SuperPoint: Self Supervised Interest Point Detection and Description 深度学习特征点检测

最新推荐文章于 2024-10-05 11:40:39 发布
最新推荐文章于 2024-10-05 11:40:39 发布
阅读量1.4w 收藏 69
点赞数 11
分类专栏： Deep Learning Paper Reading
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/prephet/article/details/81192057
版权

                                           SuperPoint: Self Supervised Interest Point Detection and Description

        2018年magicLeap发表了一篇文章，基于自监督训练的特征点检测和描述符提取方法，又是一个深度学习用于特征点提取和匹配的方法，与16年的LIFT相比，具有很大的优势。如果使用这种方式提取特征点描述符用于SLAM中，会对前端算法具有很大改善和提升；如果描述符具有优良特性，在定位场景下，可以对季节和环境光照具有更强的鲁棒性。

这篇文章提出了一种可以自我学习的的方法，通过构建pseudo-ground truth的特征点位置，并通过这些点本身来训练特征点检测器，从而避免了大量人力手工标注。

  1. 首先构建一个合成形状的数据集，图片包含简单的几何形状并具有明确的特征点，使用这些点来训练检测器 -- MagicPoint；
  2. 对未被标注的图像进行单应变换(Homographic Adaptation.)， 使用上
最低0.47元/天 解锁文章
「已注销」
关注
专栏目录
【图像拼接/深度单应】论文精读：Unsupervised Deep Homography: A Fast and Robust Homography Estimation Model
畅游计算机视觉的海洋
04-09 3666
多个航拍图像之间的单应性估计可以为协同自主探索和监测提供相对位姿估计。机器人系统的使用需要一种快速鲁棒的单应性估计算法。在这项研究中，我们提出了一种无监督学习算法，该算法训练深度卷积神经网络来估计平面单应性。我们将所提出的算法与传统的基于特征的直接方法进行了比较，以及相应的监督学习算法。我们的实证结果表明，与传统方法相比，无监督算法实现了更快的推理速度，同时保持了对光照变化相当或更好的准确性和鲁棒性。此外，与相应的监督深度学习方法相比，我们的无监督方法具有更好的适应性和性能。
特征提取：传统算法 vs 深度学习
小白学视觉
03-20 1327
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达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...
SuperPoint：Self-Supervised Interest Point Detection and Description 论文阅读
木独的博客
01-02 1693
SuperPoint：Self-Supervised Interest Point Detection and Description 论文阅读 简介 监督学习从图像中提取点的方法被广泛研究 物体检测 人体关节位置检测 等等 特征点的语义信息不明确，难以进行人工标注，如何进行网络训练？ 文中的思路为 自动标注得到伪真实值 生成特征点位置无歧义的虚拟数据集 训练得到特征提取网络MagicPoint 对图片进行旋转、缩放等变换并利用MagicPoint进行提取，集合所有提取得到的特征点位置作为伪真
【成长day】SuperPoint&SuperGlue(01): Superpoint论文算法学习与对应源码解析
最新发布
qq_42692305的博客
10-05 942
Superpoint论文算法学习与对应源码解析
笔记 ： LIFT: Learned Invariant Feature Transform 深度学习的特征点检测
兮语飞扬
07-21 1万+
                                                             LIFT: Learned Invariant Feature Transform      该文介绍了一种深度学习框架，并实现了图像特征点检测、方向估计和描述符提取，其中每一个部分都是基于卷积神经网络CNNs实现，采用了空间转换层来修正图像块得到特征点检测和方向估计。同时，...
【SuperPoint】：Self-Supervised Interest Point Detection and Description
Word_And_Me_的博客
02-21 994
文中提出了一种用于训练兴趣点检测器和描述符的自监督框架，该框架适用于计算机视觉中的大量多视图几何问题。与基于补丁的神经网络不同，此全卷积模型在全尺寸图像上运行，并在一次前向传递中联合计算像素级兴趣点位置和相关描述符。引入了单应性自适应，是一种多尺度、多单应性方法，用于提高兴趣点检测可重复性并执行跨域适应。模型在使用同形自适应的 MS-COCO 通用图像数据集上进行训练时，能够重复检测比初始预适应深度模型或任何其他传统角点检测器更丰富的兴趣点集。
SuperPoint Self-supervised Interest Point Detection and Description
calvinpaean的博客
08-26 2107
Abstract 本文提出了一个用于训练兴趣点检测器和描述子的自监督框架，适用于各多视角几何问题。与基于图像块的神经网络不同，本文的全卷积模型可以用于全尺寸图像，仅凭单次前向计算就可得到像素层级的兴趣点位置和相关描述子。作者引入了单应自适应方法，以及一个多尺度、多单应的方法来提升兴趣点检测的可重复性，并进行跨域自适应（合成-真实图像）。本文模型通过单应自适应方法，在 MS-COCO 数据集上进行了训练，相较于其它传统模型，可重复检测出更加丰富的兴趣点集合。和 LIFT、SIFT 和 ORB 方法相比，该系统
SuperPoint: Self-Supervised Interest Point Detection and Description(2018)(二)
u010260681的博客
09-01 424
一套同时detector和descriptor的网络框架。 SuperPoint Architecture 整体网络框架： 3.1. Shared Encoder 使用VGG网络输出的cnn feature map（叠加了多个feature map），最后输出B ∈ R Hc×Wc×F， 其中Hc = H/8 and Wc = W/8 and F > 1 3.2. Interest Point Decoder...
深度学习——特征点检测和目标检测
m0_51474171的博客
06-25 1965
神经网络可以通过输出图片上特征点的(𝑥, 𝑦)坐标来实现对目标特征的识别。学习如何通过卷积网络进行对象检测，采用的是基于滑动窗口的目标检测算法。
《SuperPoint: Self-Supervised Interest Point Detection and Description》论文笔记
69小石头的博客
11-15 2513
SuperPoint: Self-Supervised Interest Point Detection and Description 摘要   本文提出了一种自我监督的框架，用于训练感兴趣点检测器和描述符，适用于计算机视觉中的大量多视图几何问题。与基于补丁的神经网络相反，我们的完全卷积模型在全尺寸图像上运行，并在一个正向通道中联合计算像素级兴趣点位置和相关描述符。我们介绍了Homographi...
论文笔记（翻译） SuperPoint：Self-Supervised Interest Point Detection and Description
weixin_44358162的博客
07-19 1238
摘要： 本文提出了一种用于训练兴趣点检测器和描述符的自监督框架，适用于计算机视觉中大量的多视角几何问题。与基于patch的神经网络不同，我们的全卷积模型在全尺寸图像上运行，并在一次向前传递中联合计算像素级兴趣点位置和相关描述符。我们引入了Homographic Adaptation（同源自适应），一个多尺度，多同源的方法，以提高兴趣点检测的重复性和执行跨域自适应(例如,synthetic-to-real)。我们的模型，当训练在MS-COCO通用图像数据集使用Homographic与最初的预适应深度模型..
深度学习用于特征提取 : SuperPoint网络
火星人
03-31 4914
1.语义SLAM | 深度学习用于特征提取 : SuperPoint（三） 2.github官网代码 3.《SuperPoint:Self-Supervised Interest Point Detection and Description》笔记 4.SuperPoint 论文详解 5.笔记： SuperPoint: Self Supervised Interest Point Detectio...
深度学习特征点检测，配准
04-30
深度学习特征点检测，配准，代码
Python-SuperPoint兴趣点检测与描述自监督训练框架
08-11
SuperPoint——兴趣点检测与描述自监督训练框架
深度学习笔记（33） 特征点检测
热门推荐
氢键H-H
08-13 1万+
设定特征点和关键特征点
第四篇：基于深度学习的人脸特征点检测 - 数据预处理
zhangjiaxuu的博客
11-01 7691
在上一篇博文中，我们整理了300-W、LFPW、HELEN、AFW、IBUG和300-VW这6个数据集，使用Python将特征点绘制在对应的图片上，人工验证了数据集的正确性，最终获得了223034个人脸特征点数据样本。但是这些样本不能直接送入神经网络处理，接下来我们将讨论造成这种问题的原因以及对应的解决办法。 两步走的策略 深度神经网络的确很强大，但是在当前的技术条件下，合适的操作策略可以降低...
【论文总结】基于深度学习的特征点提取，特征点检测的方法总结
weixin_46050242的博客
01-19 2478
既能提取特征点，又能提取描述子，并且对特征点进行打分。
SuperPoint: Self-Supervised Interest Point Detection and Description
w风的季节-博客
11-28 943
SuperPoint: Self-Supervised Interest Point Detection and Description 翻译摘要1. 前言2. SuperPoint结构2.1 共享编码层2.2 兴趣点检测2.3 描述符解码层2.4 损失函数3. 合成数据集预训练3.1 合成形状3.2 魔点4. Homographic Adaptation4.1 选择单应性变换矩阵4.3 Iterative Homographic Adaptation5. 实验细节5.1 HPatches Homograp
评论 7
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