图像匹配
文章平均质量分 89
深视
这个作者很懒,什么都没留下…
展开
-
论文阅读笔记《Joint Graph Learning and Matching for Semantic Feature Correspondence》
图匹配论文《Joint Graph Learning and Matching for Semantic Feature Correspondence》最新解读!原创 2023-03-16 16:34:18 · 1296 阅读 · 5 评论 -
论文阅读笔记《Nctr: Neighborhood Consensus Transformer for Feature Matching》
图像匹配、图匹配论文《Nctr: Neighborhood Consensus Transformer for Feature Matching》最新解读!原创 2023-03-13 21:37:13 · 724 阅读 · 1 评论 -
论文阅读笔记《ClusterGNN: Cluster-based Coarse-to-Fine Graph Neural Network for Efficient Feature Matching》
基于图神经网络的图像匹配论文《ClusterGNN: Cluster-based Coarse-to-Fine Graph Neural Network for Efficient Feature Matching》的最新解读原创 2023-02-22 20:23:29 · 665 阅读 · 2 评论 -
论文阅读笔记《DEEP GRAPH MATCHING CONSENSUS》
图匹配、图神经网络经典论文《DEEP GRAPH MATCHING CONSENSUS》论文解读原创 2023-02-17 14:32:30 · 903 阅读 · 2 评论 -
论文阅读笔记《Common Visual Pattern Discovery via Spatially Coherent Correspondences》
特征匹配经典论文《Common Visual Pattern Discovery via Spatially Coherent Correspondences》解读。原创 2023-02-15 22:23:08 · 244 阅读 · 0 评论 -
论文阅读笔记《Locality Preserving Matching》
特征匹配论文《Locality Preserving Matching》最新解读原创 2022-11-18 17:30:03 · 985 阅读 · 1 评论 -
论文阅读笔记《Robust Feature Matching for Remote Sensing Image Registration via Locally Linear Transformin》
特征匹配文章《Robust Feature Matching for Remote Sensing Image Registration via Locally Linear Transforming》最新解读原创 2022-11-17 16:37:57 · 891 阅读 · 1 评论 -
论文阅读笔记《Robust weighted graph transformation matching for rigid and nonrigid image registration》
该文提出一种加权图变换匹配方法(weighted graph transformation matching,WGTM)用于刚体或非刚体图像的配准问题。原创 2022-11-10 21:14:09 · 461 阅读 · 1 评论 -
论文阅读笔记《Robust image matching via local graph structure consensus》
为实现两幅图像特征点之间的准确匹配,本文将全局的匹配问题转化为每个特征点邻域范围内的局部拓扑结构一致性的比较问题。将相似程度高的特征点保留下来,将相似程度低的点筛除掉,得到最终的匹配结果。作者发现对于正确匹配的点,其局部范围的图(拓扑)结构的一致性通常比较高,而错误匹配点则不然。本文是最新的基于传统方法的图像匹配算法,融合了图匹配的思想,在许多数据集上都超过了基于深度学习的方法。为了提高匹配的效果, 作者还采取了迭代匹配策略,即把第一次筛选得到的最优内点集合作为初始匹配点集,再次进行一轮筛选。原创 2022-09-15 17:32:30 · 1516 阅读 · 5 评论 -
论文阅读笔记《Deep learning-based framework for Shape Instance Registration on 3D CAD models》
核心思想 本文提出一种基于深度学习的CAD模型实例配准方法。作者发现在复杂的CAD工程中(如建筑图纸),通常包含成千上万个部件,为了储存这些模型信息,通常要占据非常大的储存空间。但是其中很多的部件其结构的都是重复或者相似的,因此作者就希望将其中重复或相似的模型提取出来,并将其分类为基础的几何形状(圆柱,箱形,半球形,圆锥和圆环等)。通过仿射变换矩阵来记录每个模型实例和对应的基础几何形状之间的变换关系,最终每个部件实例都可以通过一个基础几何形状和一个仿射变换矩阵来表示,这样就大大减少了CAD工程储存的信息原创 2021-12-02 15:07:41 · 2027 阅读 · 0 评论 -
论文阅读笔记《IM2CAD》
核心思想 本文提出一种从二维图像中还原房间布置并重建家具模型的方法。首先,采用逐像素的分类的方法,识别图像中的墙壁、地板和天花板等元素,并将其拟合成盒型形状,得到房间的基础几何形状。然后,使用目标检测算法识别出图像中桌子、椅子、床、书柜等家具目标,利用检测结果从CAD模型数据库中检索得到最接近的三维模型,并预测一个粗略的3D位姿。最后对所有目标的位姿和形状进行迭代优化,得到最佳的位姿和放缩尺度。实现过程 首先,输入二维场景图像,本文采用FCN网络(全卷积神经网络VGG)对每个像素进行分类,将场景原创 2021-11-30 21:40:06 · 612 阅读 · 0 评论 -
论文阅读笔记《Mask2CAD: 3D Shape Prediction by Learning to Segment and Retrieve》
核心思想 本文首次提出了利用CAD模型检索的方式实现单目图像中目标物体三维形状与姿态预测的方法。目前二维的目标检测和分割技术已经相对成熟,而在现实世界中仅仅有二维的目标位置结果通常还不够,需要有更多的形状和姿态信息。直接的思路就是将二维的像素单元进行拓展,利用体素、点云、网格或隐式曲面等元素来表征目标物体的形状。这类方法生成的几何体不一定能够表示真实的形状,通常会倾向于有噪声、过渡平滑或过度嵌入。本文则是从另一个角度着手,结合二维图像信息和CAD模型信息,通过从已知的CAD模型数据库中检索匹配到目标物体原创 2021-11-29 17:49:29 · 2078 阅读 · 1 评论 -
论文阅读笔记《Patch2CAD: Patchwise Embedding Learning for In-the-Wild Shape Retrieval from a Single Image》
核心思想 本文提出一种通过图块匹配寻找图像和CAD模型之间的对应关系,并进一步实现位姿估计的算法。与许多从单目图像中实现目标物体三维识别并估计位姿的方法类似,本文也是通过从CAD模型库中检索最相似的CAD模型,然后计算旋转和平移矩阵,最终实现三维识别和位姿估计。本文的主要创新在于不是对整幅图像和模型进行匹配,而是在图像中选取小的图块,然后对图块进行匹配。作者认为这种方式不仅能够获取图像和CAD模型之间全局的语义相似性,而且能够获取中级和低级的几何相似性。实现过程网络结构 损失函数 训练策原创 2021-11-28 12:46:02 · 1198 阅读 · 1 评论 -
论文阅读笔记《Leveraging Geometry for Shape Estimation from a Single RGB Image》
核心思想 本文提出一种利用几何信息从单一图像中进行目标物体位姿和形状估计的算法。从图像中进行二维的目标检测或语义分割已经是比较成熟和广泛应用的方法了,而从图像中预测一个静态目标的三维形状和位姿仍然是一个备受关注的困难问题。目前主流的解决方法分为两种:直接预测和目标检索。其中直接预测的方法就是用体素、点云、网格等元素来表示目标物体,这种方法得到的三维物体检测结果既不精确,又不能适应多种多样的目标类型。这是因为无论是在训练还是在测试阶段,相机只能看到目标物体的一部分,而相机拍摄不到的部分信息是缺失的,这种内原创 2021-11-25 21:48:53 · 30 阅读 · 0 评论 -
论文阅读笔记《USAC: A Universal Framework for Random Sample Consensus》
核心思想 本文总结了RANSAC算法的流程与存在的问题,整理了近几年基于RANSAC提出的改进算法,并整合各个算法的优势,提出一个统一的RANSAC算法框架。因此本文也可以看做是一片关于RANSAC算法的论文综述。 RANSAC随机采样一致性算法是在筛除异常点(outlier),寻找内点(inlier)建立数据模型领域中最常用的算法,其采用“假设-验证”的结构,通过随机采样一组最小规模样本,建立模型,然后用其他点验证该模型的有效性,如果符合该模型的点越多,则表示该模型得到的支持(support)越多原创 2021-11-15 22:07:05 · 5254 阅读 · 0 评论 -
论文阅读笔记《Matching Images With Multiple Descriptors: An Unsupervised Approach for Locally Adaptive》
核心思想 本文提出一种将多种特征描述算法融合起来实现更好图像匹配的方法。近些年来,图像特征的描述算法层出不穷如SIFT、LIOP 、DAISY等等,每种方法都有各自的优势和侧重点,对于不同图像其效果也各有优劣。那么能不能将多种算法的优势结合起来,提出一种混合的特征描述算法来满足各个情况呢?最简单方法就是将多个特征向量级联或者加权求和得到融合特征向量,但这个方法有很大的问题,因为不同算法得到的特征向量维度不同,数值表达的含义也不同,因此简单的级联或者相加都不能保留原有算法的性能。如果要将多种特征描述算法更原创 2021-11-10 22:06:15 · 2504 阅读 · 0 评论 -
论文阅读笔记《AdaLAM: Revisiting Handcrafted Outlier Detection》
核心思想 本文提出一种利用局部仿射变换筛除误匹配点的方法。两个视角之间的单应性矩阵在局部区域内能够使用仿射变换来近似,仿射变换能够强烈的约束正确匹配点之间几何交叉一致性,是一种非常可靠的滤波器。然而,仿射变换所基于的假设条件如平面性,局部性和正确的映射关系等在实际图像中很难保证。因此作者从候选匹配点中选择匹配置信度高的匹配点作为种子,并且在种子附近的一个小邻域内计算仿射变换矩阵,以满足上述的假设条件。在每个小邻域内都利用RANSAC算法的思想,迭代筛除误匹配点,最终得到正确匹配点的集合。 本文的匹原创 2021-11-09 22:05:31 · 2496 阅读 · 0 评论 -
论文阅读笔记《Efficient Sequential Correspondence Selection by Cosegmentation》
核心思想 本文提出一种通过协同分割(Cosegmentation)的方式实现正确匹配点筛选的方法,简单来讲就是首先利用SIFT之类的算法确定一组候选的匹配点作为种子,然后以种子为中心按照特定的成长(growing)算法向相邻的像素扩展,然后根据所有匹配点的统计数据来判断是否达到终止条件,如果所有的种子都满足终止条件即得到最终的匹配结果。整个过程是基于序列概率比率测试(Wald’s sequential probability ratio test ,SPRT)方法的,如下图所示,该方法后面会简要介绍一下原创 2021-11-05 22:08:15 · 251 阅读 · 0 评论 -
论文阅读笔记《Learning to Find Good Correspondences》
核心思想 本文提出一种基于学习的寻找最优匹配点的方法,利用多层感知机为每一对候选的匹配点进行加权,认为是正确匹配的概率越大,权值越大,认为是错误匹配的概率越大,则权值越小。利用匹配点的权值,对传统的八点法进行改进,得到加权的八点法用于计算本征矩阵。 首先分别对两幅匹配图像进行特征提取,分别得到N个特征点(ki,fi)(k_i,f_i)(ki,fi)和(kj′,fj′)(k'_j,f'_j)(kj′,fj′),kik_iki和kj′k'_jkj′表示特征点的坐标,fif_ifi和fj′f原创 2021-11-02 11:43:11 · 1252 阅读 · 2 评论 -
论文阅读笔记《Good match exploration using triangle constraint》
核心思想 本文提出一种使用三角约束来获得更好匹配结果的图像匹配算法。作者认为现有的图像匹配方法,要么误匹配点太多,导致匹配率较低;要么总的匹配点数太少,使得许多应用都无法实现如三维重建。因此作者希望提出一种匹配点数量足够多,且误匹配点尽量少的匹配算法。由于现有的特征描述算法都只能对仿射变换保持不变性,而且仿射变换是现实场景中更加普遍的情况,因此作者针对存在仿射变换的两幅图像之间的匹配任务提出一种新的匹配方法。仿射变换包含六个自由度,利用三个不共线的点就可以得到,而任意给定三个不共线的点就能得到一个三角形原创 2021-10-27 21:15:26 · 223 阅读 · 0 评论 -
论文阅读笔记《GeoDesc: Learning Local Descriptors by Integrating Geometry Constraints》
核心思想 本文提出了一种基于学习的带有几何约束的局部特征描述算法,作者提出一种几何相似性的度量方法,并根据几何相似性改进了训练集的采样方法及损失函数。作者认为如果两个匹配图块之间的几何相似性太高,也就是两幅图像拍摄的角度比较接近时,这样的匹配图块对于网络的训练作用有限,因为太容易了。因此作者希望在采样过程中选择出那些几何相似性更低的,匹配难度更大的图块,这能够为网络的训练提供更多有用的信息。 和LIFT算法一样,首先利用3D重建数据集获取正确的2D匹配点,根据不同角度拍摄的同一个目标的图像,使用Sf原创 2021-10-26 21:51:44 · 708 阅读 · 0 评论 -
论文阅读笔记《Locality Preserving Matching》
核心思想 本文提出了一种利用局部几何约束实现图像特征点匹配的方法(LPM)。作者认为对于一对正确匹配点,其局部范围内相邻点之间的结构关系应该是相同的,例如在原图中一个目标特征点xix_ixi,其邻域范围内有四其他的个特征点xj,j=1,2,3,4x_j,j=1,2,3,4xj,j=1,2,3,4,且这四个特征点与目标特征点之间的距离d(xi,xj)d(x_i,x_j)d(xi,xj)分别是a,b,c,d,那么该特征点对应的匹配点yiy_iyi,其邻域范围内应该也包含四个其他特征点对应的匹配点y原创 2021-09-16 20:24:00 · 655 阅读 · 0 评论 -
论文阅读笔记《CODE: Coherence Based Decision Boundaries for Feature Correspondence》
核心思想 本文提出一种基于运动一致性(Montion Coherence)的特征匹配方法(CODE),从全局的层面来看,正确匹配点更倾向于拥有一致的运动,而错误匹配点通常随机的散落在不同位置。本文提出一种非线性回归技术,从包含噪声的匹配点中获得运动一致性的估计函数。然后用该函数输出匹配点的一致性得分,并将其作为正确匹配的概率值。最后,将一致性得分超过一定阈值的点判断为正确匹配点。 现有的特征匹配方法,通常利用Ratio Test方法筛选掉误匹配点,但这种方法有两个问题:如果选择较高的阈值,会导致很多原创 2021-09-14 22:27:14 · 513 阅读 · 0 评论 -
论文阅读笔记《Robust Point Matching via Vector Field Consensus》
核心思想 本文提出一种基于向量场一致性的(Vector Field Consensus)非刚性(non-rigid)匹配方法(VFC)。所谓刚性(rigid)的匹配方法通常是使用参数化模型(如单应性矩阵、对极几何)来准确描述匹配点之间的对应关系的,如RANSAC方法,而非刚性匹配方法则是使用类似于能量函数的方法来描述匹配点之间的匹配程度,而无法得到准确的几何关系。作者提出使用向量场(Vector Field)来描述特征点之间的匹配关系,向量场中的每个向量都是由原图中的特征点的位置指向待匹配图像中对应匹配原创 2021-09-10 21:36:02 · 1624 阅读 · 0 评论 -
论文阅读笔记《GMS: Grid-Based Motion Statistics for Fast, Ultra-robust Feature Correspondence》
核心思想 本文提出一种快速的鲁棒的特征点匹配方法(GMS),其本质上是在现有的特征点匹配的基础上,筛除误匹配点,选择出更可靠的匹配点的方法,其作用类似RANSAC。其基于一个关键的假设——运动平滑性假设,即图像中相邻较近的属于同一个物体的特征点,在运动时也会一起运动,因此正确匹配点的邻域范围内应该还包含许多其他的匹配点,而误匹配点对应的位置可能是随机的,附近不会有很多的相邻匹配点。如下图所示 基于上述的假设作者提出了基于网格的运动数据统计匹配方法(Grid-Based Motion Statist原创 2021-09-07 21:43:26 · 487 阅读 · 0 评论 -
论文阅读笔记《Graph Matching Networks for Learning the Similarity of Graph Structured Objects》
核心思想 本文提出一种图匹配网络用于学习图结构对象之间的相似程度,作者介绍了两种模型:图嵌入模型(Graph Embedding Models)和图匹配模型(Graph Matching Networks),两种模型的算法流程如下图所示 相比于图嵌入模型,图匹配模型增加了两幅用于匹配的图之间的信息交互,其强大之处在于不仅仅是单独的将一个图映射到一个嵌入向量中,而且在每个层级上都对两个图进行比较。下面具体介绍下两个模型的结构。 首先,图匹配问题是给定两个图G1=(V1,E1)G_1=(V_1,E原创 2021-09-01 17:44:19 · 1149 阅读 · 0 评论 -
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原创 2021-08-30 17:41:54 · 1664 阅读 · 0 评论 -
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原创 2021-08-25 19:34:35 · 2472 阅读 · 0 评论 -
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原创 2021-08-23 20:59:53 · 2780 阅读 · 0 评论 -
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,来训原创 2021-08-10 17:24:35 · 318 阅读 · 0 评论 -
论文阅读笔记《Discriminative Learning of Deep Convolutional Feature Point Descriptors》
核心思想 该文提出一种基于深度学习的特征描述方法,能够替代SIFT,并且能够很好的应对尺度变化、图像旋转、透射变换、非刚性变形、光照变化等。该算法的整体思想并不复杂,使用孪生网络从图块中提取特征信息,并且使用L2距离来描述特征之间的差异,目标是让匹配图块特征之间的距离缩短,让不匹配图块特征之间的距离增大。网络的结构如下图所示 孪生网络结构十分常见也没什么可以介绍的,具体的网络参数如下 输入是64*64大小的图块,最后一层输出的是128维的特征向量(与SIFT保持一致),损失函数采用铰链损失原创 2021-04-29 15:46:42 · 1197 阅读 · 1 评论 -
论文阅读笔记《Efficient Sliding Window Computation for NN-Based Template Matching》
核心思想 该文提出一种高效的滑动窗口计算方法用于模板匹配,相对于前面介绍的两篇文章《Best-Buddies Similarity—Robust Template Matching Using Mutual Nearest Neighbors》(BBS)和《Template Matching with Deformable Diversity Similarity》(DDIS),该文提出的算法(DIWU)最大的优势在于,计算复杂度仅与目标图像的尺寸有关O(I)O(I)O(I),而与模板的尺寸无关,之前的原创 2021-04-27 20:40:31 · 420 阅读 · 0 评论 -
论文阅读笔记《Best-Buddies Similarity—Robust Template Matching Using Mutual Nearest Neighbors》
核心思想 该文提出一种基于最近邻相似性的模板匹配方法,在计算相似性的过程中,作者并没有对原始的像素点直接进行处理,而是对作者定义的Best-Buddies Points(BBPs)进行处理。所谓的BBPs就是一种双向的最近邻点,假设模板上的点ppp在图像中能找到的最近邻点为qqq,反过来图像中的点qqq在模板中能找到的最近邻点为ppp,则他们就是一对双向最近邻点,即BBP,模板和图像中一系列的BBP构成了点集BBPs,数学表达为其中d(pi,q)d(p_i,q)d(pi,q)是某种距离度量函数原创 2021-04-14 20:51:18 · 1067 阅读 · 1 评论 -
论文阅读笔记《Template Matching with Deformable Diversity Similarity》
核心思想 该文提出一种应用于图像模板匹配的相似性度量方法,传统的模板匹配过程中,相似性度量通常采用距离平方和、归一化互相关等方法,但这些方法都很难处理遮挡、扭曲等复杂问题。因此,本文提出一种无参数的可变形多样性相似性度量方法(DDIS),该方法不是直接对图像进行处理,而是对模板与图像之间的最近邻点集(NNs)进行处理。假设pip_ipi表示模板中的图块(或者点),qjq_jqj表示目标图像中的图块(或点),则需要从全部模板点集PPP中为目标图像点集QQQ中的每个点都找到最近邻点 其中d(q,p原创 2021-04-13 23:11:29 · 1008 阅读 · 0 评论 -
论文阅读笔记《Learning Discriminative and Transformation Covariant Local Feature Detectors》
核心思想 本文提出一种基于学习的局部特征描述算子,需要注意的是本文提到的特征,与常见的特征向量不是一个概念,而是指图像中的一系列点或者一系列椭圆构成的集合。一个好的特征检测器应该具备两个优点:1.能够发现图像中局部的具备区分度的信息;2.当场景经过多种变换后,仍能够重复检测出一致的特征,作者将其分别称为同一性约束(identity constraint)和协变约束(covariant constraint )。为了同时满足上述两个约束,本文提出一种变换预测网络,根据输出的图块预测出一个变换矩阵gig_i原创 2021-04-08 20:08:39 · 580 阅读 · 0 评论 -
论文阅读笔记《L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space》
核心思想 该文介绍了一种基于深度学习的图块特征描述算子,该算子输出的描述符能够使得匹配图块在欧氏空间中距离很小,而不匹配图块的距离很大。与其他基于度量学习的图像匹配算法不同,本文就是用简单的L2距离来度量图块描述符(特征)之间的差异,训练的目标也是要增加特征的区分度。实现过程网络结构 本文的网络结构,如下图所示对于每个分支都是由若干卷积层和BN层构成的,其中BN层的权重参数固定为1,偏置参数固定为0,每个分支的最后输出都经过一个局部相应正则化层(Local Response Normal-原创 2021-04-07 17:25:30 · 815 阅读 · 0 评论 -
论文阅读笔记《PN-Net: Conjoined Triple Deep Network for Learning Local Image Descriptors》
核心思想 该文介绍了一种新的基于深度学习的图像匹配方法,与MatchNet相比,该文采用一个三元组的输入取代了孪生网络结构,并且使用欧氏距离来度量图块之间的相似程度,而不是用一个专门的度量网络。该文提出一种新的损失函数softPN,不仅考虑了匹配图像之间的相似性,同时也考虑了不匹配图像之间的差异性。网络的流程如下图所示 如图所示,正样本图像p1,p2p_1,p_2p1,p2和负样本图像nnn分别输入到三个权重共享的卷积神经网络中,得到对应的深度特征D(p1),D(p2),D(n)D(p_1),原创 2021-03-30 15:12:39 · 864 阅读 · 0 评论 -
论文阅读笔记《MatchNet: Unifying Feature and Metric Learning for Patch-Based Matching》
核心思想 该文提出一种基于深度学习的图块匹配方法,其思路并不复杂利用孪生网络分别提取两个图块的特征信息,然后利用全连接层计算图块之间的相似度,最后利用预测两个值分别表示图块匹配或不匹配的概率。整个网络的结构如下图所示 首先通过采样的方式获取训练的样本,样本是两个图块,并对图块进行预处理,将图像的灰度值进行归一化。然后分别用两个结构相同权重共享的卷积神经网络对两个图块进行特征提取,提取得到的特征会通过一个bottleneck层将特征维度进行压缩。接着将两个图块提取到的特征图级联起来送入到度量网络中,原创 2021-03-29 15:10:10 · 976 阅读 · 0 评论 -
论文阅读笔记《TILDE: A Temporally Invariant Learned DEtector》
核心思想 该文提出一种基于学习的关键点检测算法,能够很好的应对季节,时间的变化。该文核心思想在于训练得到一个回归器,根据输入的图块,输出对应的得分图,其中分值高的位置就表示关键点。因为目前没有适合该文的训练集,因此作者首先制作了一个数据集用于训练和测试,通过AMOS网络摄像头数据集获取了同一对象在不同时间,不同季节时的照片,然后利用SIFT特征提取算法对不同时刻拍摄的每幅图像都进行关键点检测,对于那些在多幅图像中位置变化小于SIFT尺度的关键点,就可以作为一个正向样本用于训练,负向样本则从原理正向样本的原创 2021-03-25 15:02:51 · 763 阅读 · 0 评论 -
论文阅读笔记《LIFT: Learned Invariant Feature Transform》
核心思想 该文提出一种完整的关键点检测-方向估计-特征描述的方法(LIFT),该流程与经典的SIFT算法非常相似,但使用基于深度学习的方法实现了该过程。流程可以分成三个部分:关键点检测(Detector),方向估计(Orientation Estimator)和特征描述(Descriptor),其实针对这个三个部分现有的基于深度学习的方法已经有很多了,但是该文将三个部分联合起来形成一个完成的pipeline,并且可以进行端到端的训练。下面介绍一下LIFT的处理过程 首先本算法的输入并不是一整幅图像原创 2021-03-23 17:01:55 · 1212 阅读 · 0 评论