2d_featurematch
文章平均质量分 60
lizhaohu01
这个作者很懒,什么都没留下…
展开
-
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: 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..原创 2021-04-26 17:56:27 · 405 阅读 · 1 评论 -
Dual-Resolution Correspondence Networks 2020
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...原创 2021-04-26 16:00:13 · 782 阅读 · 0 评论 -
Consensus-Guided Correspondence Denoising 2021
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...原创 2021-04-25 20:27:55 · 210 阅读 · 0 评论 -
Learning Two-View Correspondences and Geometry Using Order-Aware Network 2019
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,...原创 2021-04-23 11:15:57 · 935 阅读 · 0 评论 -
LoFTR: Detector-Free Local Feature Matching with Transformers 2021
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...原创 2021-04-20 15:26:47 · 5475 阅读 · 0 评论 -
SuperGlue: Learning Feature Matching with Graph Neural Networks 2020
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...原创 2021-04-19 17:49:11 · 859 阅读 · 0 评论