u010260681的博客

如何通俗地解释泰勒公式？ - 知乎 https://www.zhihu.com/question/21149770/answer/464443944简单明了，通俗易懂。感谢贡献

核心思想：训练一个“指导器”，指导匹配的大致范围。如下图所示：假设特征是sift，正确的匹配是w，通过最近邻算法可能得到的匹配是p1，如果先有一个指导，告诉你大致正确的匹配在p2附近，那么就有很大的可能找到w正确匹配。因此本文的重点是如果训练出一个这样的“指导”器。整体pipeline： 和NC-NET中的4d卷积基本上一致，首先输入两张图，经过cnn网络会输出两张feature map。 然后通过计算一个4d的tensor，表示的是匹配的相关性score 矩..

核心思想：使用4D 卷积运算获取dense的匹配pipeline： 解释：输入为两张image，输出为dense的特征匹配。算法共分为三部分，分别是：特征提取模块、4d卷积模块、coarse和fine融合模块1> 特征提取模块。 输入两张image，然后使用经典的cnn提取多个分辨率的feature map层次，将高分辨率的feature map称为fine feature，将低分辨率的 feature map称为coarse feature，由于...

核心思想：通过一种从粗到精的方式得到内点，当outlier高达90%的时候仍然可以得到很好的结果整体pipeline： 输入的是两张图的匹配对，类似learning good feature match 输出的是这些匹配对的score，直接得到inlier和outlier核心部分是pruning block模块。下边具体介绍一个Pruning Block： 1. 输入N*4的匹配矩阵然后通过resnet将特征升为N * 128（我的理解这里应...

核心思想：借鉴pointnet的方式将局部邻域信息融入匹配整体pipeline：一共分为三部分：1>是pointCN模块，将无序匹配对转换成有序不变矩阵 2>DiffPool和DiffUnpool 3>Order-Aware Filtering block（这里边的是MLP多层感知机）网络的整体输入是匹配对坐标（x1,y1,x2,...

核心思想：本文的目的是为了解决传统匹配的时候detector不鲁棒的问题，例如下图，上边是本文匹配结果，下边是superglue匹配结果： 可以认为是在superglue上的简单改进整体pipeline： 如下图所示，整体pipeline分为四个模块：网络输入两张待匹配的image，输出最终的local feature的匹配结果1> local feature 和传统的dee...

整体介绍：核心思想：使用图的思想，融入邻域以及特征点的位置信息解决2d-2d匹配问题整体pipeline： 解释说明：整个pipeline输入的是两张图，首先进行特征提取，然后经过gnn网络输出两张图特征点之间的匹配关系细节：整个网络主要分为三部分，分别是：特征提取 -> attentional gnn（其实就是自卷机+交叉卷机）-> optimal layer（目的是为了得到1-1的match）1>特征提取 特征提取部分可...

本文要解决的问题：image retrieval，室外，地标识别(GOOGLE之作，大神出品必属精品)核心思想：融合global和local feature进行更加精确的image retrieval，并且在local feature 的训练不需要标注（无监督）网络框架：整个网络可以分为三部分： 1.backbone 网络(就是传统的cnn网络vgg，提取feature map层)。 2.取较深的一层feature map...

本文要解决的问题： 本文主要解决detector 问题，为什么要解决这个问题呢？目前已知的detector的可重复性检测不鲁棒 作者分析是没有像fast等这样使用像素的梯度信息，因此本文提出了一种新的方法解决detector问题。本文主要的贡献： 提出了一种融合传统detector方法和deeplearning的方法的特征detector器，更加鲁棒稳定健壮。首先是整体框架： 网络框架很简单，首先为了仿照金字...

本文要解决的问题： 从公式推导descriptor如何训练更加完美，仅仅解决descriptor的问题，detector使用sift或者别的网络得到。1.梯度下降分析1.1 首先是梯度方向分析 上述1中的决定梯度方向是分别对x和y求偏导数可以得到上述结果，我们假设：梯度的方向是∆ =∆∥ + ∆⊥，其中∆∥表示和特征 向量x或者y平行的向量，∆⊥表示和特征向量x或者y垂直的向量，任何梯度方向都可以使用这两个向量之和表示。 当归一化之后忽...

本文要解决的问题： 本文主要是提出一种新的方法提取descriptor，由于一般descriptor的训练都需要标注匹配数据，这件事比较难， 因此本方法的创新之处就在于仅仅通过relative pose就可以训练网络学习descriptor，不需要标注match。本方案需要使用别的算法提供离散的detector。符号定义： ：两张匹配图 ：分为表示两张图上的像素坐标 ：分别表示I1和I2图片通过网络...

核心思想： 本文是一种refine特征提取网络的技术，并且是无监督学习，不需要标注数据方便refine 任何deep feature网络解决问题以及出发点： 一个完整的feaure包含角点信息和描述符信息，直观上讲描述符的维度那么高 理论上他应该包含了一些关于角点的信息，而且应该也比较鲁棒，那么是否可以 从描述符中抽取出来detector信息呢？这就是本文出发点。简单review： 现在的d...

本文是一套提高feature提取以及描述能力的通用方案，可以认为是一种refine原始网络的方案。可以应用到任何类似superpoint这样的网络上，不需要数据标注，而且改造成本很小！！！！！问题描述：像superpoint这样的网络训练的时候是在一些合成图上训练，并且这样的网络几乎都是在low-level层次训练， 并没有在high-level层次训练网络，因此往往在解决实际任务的时候泛化能力不强 （比如我想进行2d-3...

本文的核心思想是提出一套同时detector和descriptor的网络，区别于别的网络，本文会输出Repeatable和Reliable层用来表示feature map的score和权重（置信度）。首先我们来看下整体网络结构： 输入一张W*H的image，输出三块东西：1）dense 的descriptor 的feature map（H*W*128） ...

本文是一个集合detector和descriptor为一体的网络，并且只需要知道匹配就能同时训练一个detector和descriptor的网络这也是D2的来历一些思考：1. 一些deeplearning的feature匹配其实在descriptor表现的已经很好了（感受野也比较稳定）， 所以认为瓶颈在detector上，本文主要解决的问题就是这个。 2. descriptor中融合了许多信息，那么...

这是一个无监督学习的网络，也可以理解成自监督（思路挺不错），具体如何无监督下边会说。 整体网络结构如下： 输入一整图片，直接输出detector和descriptor，并且图片大小没有要求。可以看出网络整体包含两部分，detector网络和descriptor网络。 1.1 首先是detector网络。这里目标同sift一样要学习四个数: x,y, orientation，scale。具体过程如下： ...

主要是在L2-NET上的改进，在L2-NET中中间feature map层以及最终的feature维度上都进行了监督，容易造成过拟合，因此本文做了优化主要贡献点：1. End-to-end的训练模式。 2. loss简单有效首先：如上图所示，A和P表示两个匹配集合, 例如a1和p1是一个gt中的匹配， d（a1，p1）是两个匹配之间的descriptor之间的距离。本文中目标：尽量缩小正确匹配的feature之间的距离，尽量增大错误匹配...