SuperPoint论文笔记

《SuperPoint: Self-Supervised Interest Point Detection and Description》
论文 https://arxiv.org/pdf/1712.07629.pdf
github https://github.com/magicleap/SuperPointPretrainedNetwork

1、SuperPoint网络结构
参考知乎语义SLAM | 深度学习用于特征提取 : SuperPoint（三）

①编码网络
②特征点检测网络：对图片的每个像素都计算一个概率，这个概率表示的就是其为特征点的可能性大小。
③描述子检测网络：先学习半稠密的描述子（不使用稠密的方式是为了减少计算量和内存），然后进行双三次插值算法（bicubic interpolation）得到完整描述子，最后再使用L2标准化（L2-normalizes）得到单位长度的描述。
④损失函数：

特征点检测是用了交叉熵loss

描述子

2、用预训练网络base detector做兴趣点自标注——MagicPoint（之前的工作）

用合成的数据集（主要包括一些典型几何物体）生成一些来检测角点的ground
truth，这里其实指的是候选的特征点，最终的特征点要通过后面HA这一步修正。
这里涉及到了用位姿计算损失函数

优势：比FAST、Harris等对噪声更鲁棒
劣势：对真实图像？对有强corner-like的结构还行，但是好多时候比不上传统方法——>用HA进行cross domain adaptation
(这个是否可以用到我的生成图像方法中？）

3、Homographic Adaptation 核心
个人感觉类似于pytorch里的transform，对原图像进行各种几何变换，比如平移、放缩、旋转、distort等等，获得已知位姿关系的图片对。

有什么用？提高原来的MagicPoint网络对真实图片的真值生成能力。效果还是挺显著的

4、实验设置和实验结果
（1）硬件+网络超参数
（2）评价指标
① Runtime：Titan X GPU上处理480*640的图片 70FPS
② HPatches Repeatability： 每张图片提取300个point，HA后的superpoint提取特征点最稳定
③ HPatches Homography Estimation：（4个指标）重复性、mean localization error (MLE)、nearest neighbor mAP (NN mAP)、matching score (M. Score)