- 博客(4)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 论文阅读笔记《Learning to Match Features with Seeded Graph Matching Network》
核心思想 本文是基于图神经网络进行图像关键点匹配的最新成果（SGMNet），是在SuperGlue的基础上，引入了“种子模块”（Seeding Module），使用稀疏的连接图取代SuperGlue中的完全连接图。并且设计了带有注意力机制的种子图神经网络，先用注意力池化聚合所有种子匹配点的特征信息；然后使用“种子过滤器”（Seeding Filter）在图内/图间进行匹配点的信息交流，并抑制误匹配点的影响；最后使用注意力反池化将经过充分上下文交互的特征信息映射回每个匹配点上。整个算法的流程如下图所示
2021-08-30 17:41:54
1528
原创 论文阅读笔记《SuperGlue:Learning Feature Matching with Graph Neural Networks》
核心思想 本文提出一种基于图神经网络的特征点匹配方法，把图像中的特征点看作图的节点，通过注意力机制聚合特征信息，得到用于匹配的特征向量。然后把匹配问题看作一个可微的最优运输问题（differentiable optimal transport problem），利用Sinkhorn Algorithm算法进行求解。整个算法的处理流程如下图所示 首先，输入是两幅图像中特征点的位置坐标piAp_i^ApiA和piBp_i^BpiB，以及特征点对应的特征描述向量diAd_i^AdiA和diBd_i
2021-08-25 19:34:35
2380
原创 论文阅读笔记《COTR: Correspondence Transformer for Matching Across Images》
核心思想 本文提出一种使用Transform实现关键点匹配的算法。传统的关键点匹配算法通常包含：关键点检测、特征描述、特征匹配、利用几何约束筛除误匹配点等步骤。本文则是采用深度学习中最新的Transformer技术，实现关键点的匹配任务。作者把关键点匹配任务看作通过最小化损失函数得到最佳参数的过程，，给定一幅图像III和图像中待匹配的点坐标xxx，从另一幅图像I′I'I′中寻找到对应的匹配点x′x'x′，损失函数的定义如下其中LcorrL_{corr}Lcorr表示匹配损失，LcycleL_{cy
2021-08-23 20:59:53
2645
原创 论文阅读笔记《Learning to Assign Orientations to Feature Points》
核心思想 该文提出一种通过学习的方式为特征点分配方向的算法，作者发现相比于具备旋转不变性的特征描述算子，那些对于方向敏感的且能够更加准确的分配方向的特征描述算子，在匹配时会有更好的表现。而现有的特征点检测算法（如SIFT，SURF，ORB等），其方向分配的方式通常是选择一个可靠的主方向。本文提出通过学习的方式，利用孪生卷积神经网络为检测到的特征点分配一个最佳的方向。 那么如何训练网络学会去给每个特征点分配最佳的方向呢？作者将方向作为一个隐含变量，通过最小化两个匹配点之间的特征描述向量之间的距离，来训
2021-08-10 17:24:35
301
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人