论文阅读笔记《Quad-networks: unsupervised learning to rank for interest point detection》

核心思想

  该文主要介绍了一种通过无监督学习方式实现兴趣点检测，可以用于特征描述以及特征点匹配等任务。作者认为对于兴趣点的检测应该具备一定的鲁棒性，即对于光照、尺度变化不敏感，即使经过一定变换后仍可以保留原有特征。该文首先使用神经网络将图像中的点映射到一个实数响应值，并根据响应值的大小对点进行排序，然后对变换后的图像在进行响应值的计算，并排序。根据上面的介绍，一个好的兴趣点检测方法，图像在映射前后响应值的大小顺序应该是不变的，如果一个点在原图中的响应值大于另一个点，那么在变换后的图像中该点的响应值也应该大于另一个点。最后就选择响应值顺序不变的点作为兴趣点。
  $d$表示图像或图像中的物体，$p_d^i$表示$d$上的点，$t\in T$表示一种变换方式，$t(d)$表示变换后的图像，$H(p|w)$表示一种映射函数（该文中通过神经网络实现），其中$p$表示用于映射的点，$w$表示网络参数。根据上文的介绍，对于每个四元点集$(p_d^i,p_d^j,p_{t(d)}^i,p_{t(d)}^j)$应满足以下顺序约束

  网络训练的目的就是获得一种好的映射函数，使得两个点的响应值能够在变换前后满足顺序约束。为了实现训练的目标，首先制定一个顺序约束函数

当四元点集满足顺序约束时，上式$R>0$，否则$R<=0$。根据上式制定了损失函数

采用铰链损失函数的形式。

算法评价

  本文主要是提出一种兴趣点检测算法，对变换前后的图像对应点的响应值进行排序，并根据顺序约束选择兴趣点。

如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。