deepfeature
lizhaohu01
这个作者很懒,什么都没留下…
展开
-
Unifying Deep Local and Global Features for Image Search(2020)(十四)
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...原创 2020-10-16 10:24:19 · 1970 阅读 · 2 评论 -
Key.Net: Keypoint Detection by Handcrafted and Learned CNN Filters(2019)(十三)
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...原创 2020-09-09 11:41:21 · 2514 阅读 · 0 评论 -
HyNet: Local Descriptor with Hybrid Similarity Measure and Triplet Loss(2020)(十二)
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...原创 2020-09-08 16:25:38 · 627 阅读 · 3 评论 -
ASLFeat: Learning Local Features of Accurate Shape and Localization(2020)(十一)
原创 2020-09-07 19:02:51 · 537 阅读 · 0 评论 -
Learning Feature Descriptors using Camera Pose Supervision(2020)(十)
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...原创 2020-09-04 17:09:01 · 1299 阅读 · 1 评论 -
D2D: Keypoint Extraction with Describe to Detect Approac(2020)(九)
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...原创 2020-09-04 11:30:56 · 610 阅读 · 0 评论 -
Reinforced Feature Points: Optimizing Feature Detection and Description for a High-Level(2020)(八)
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...原创 2020-09-03 20:45:46 · 735 阅读 · 1 评论 -
R2D2: Repeatable and Reliable Detector and Descriptor(2019)(七)
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) ...原创 2020-09-03 16:55:28 · 1023 阅读 · 0 评论 -
GeoDesc: Learning Local Descriptors by Integrating Geometry Constraints(2018)(六)
3.2 Training data generation 2D correspondence generation. 使用sfm得到的3dpoint clone,然后返投得到点的匹配关系,使用一种。。。算法优化结果干掉outliers。 Matching patch generation ,输入sift的参数(x,y,si,der),输出转正的path3.3 Geometric similarity estimation 定义了两种...原创 2020-06-30 19:48:48 · 368 阅读 · 0 评论 -
D2-Net: A Trainable CNN for Joint Description and Detection of Local Features(2019)(五)
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...原创 2020-09-02 21:01:56 · 2516 阅读 · 1 评论 -
LF-Net: Learning Local Features from Images(2018)(四)
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: ...原创 2020-09-02 19:04:18 · 1239 阅读 · 5 评论 -
Working hard to know your neighbor’s margins: Local descriptor learning loss(2018)(三)
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...原创 2020-09-02 11:26:12 · 1089 阅读 · 0 评论 -
SuperPoint: Self-Supervised Interest Point Detection and Description(2018)(二)
一套同时detector和descriptor的网络框架。SuperPoint Architecture 整体网络框架:3.1. Shared Encoder 使用VGG网络输出的cnn feature map(叠加了多个feature map),最后输出B ∈ R Hc×Wc×F, 其中Hc = H/8 and Wc = W/8 and F > 13.2. Interest Point Decoder...原创 2020-09-01 20:35:10 · 390 阅读 · 0 评论 -
L2-Net: Deep Learning of Discriminative Patch Descriptor in Euclidean Space(2017)(一)
本文主要贡献: 1、提出了一种新的采样策略,使网络在少数的epoch迭代中,接触百万量级的训练样本; 2、基于局部图像块匹配问题,强调度量描述子的相对距离; 3、在中间特征图上加入额外的监督; 4、描述符的紧实性。 基于CNN的局部图像块匹配方法可以分为两类:一是,作为二分类问题,不存在明确的特征描述子概念,好处是准确率相对第二类高很多,但可移植性能差;二是,CNN输出学习的图像块描述子,没有度量学习层,好处是可以作为以前的很多基于手工描述子方法应用的直接替代。 A、原创 2020-09-01 17:06:07 · 1073 阅读 · 1 评论