Learning to Guide Local Feature Matches 2020

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:

  1. 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。

  2. 然后通过计算一个4d的tensor,表示的是匹配的相关性score 矩阵。

  3. 然后运用4d卷积(请注意,由于4d卷积计算成本较大,因此这里在低分辨率的feature map上进行)。

  4. 输出最终的S矩阵,就可以通过判断score得到“粗”匹配。

 

那么重点是如何训练网络,本文提出了三种方式:image 级别,极线约束,点级别

 

其中s表示上述sore,L可以是用三种方式得到。

 

1.image pair:,其中y为正样本是1,负样本是-1

2.极线:

3.点(有深度的时候可以):

 

 

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值