用于改进块匹配的大规模数据集
计算机视觉与模式识别
2018-04-18 v3
摘要
我们提出了一个用于学习局部图像描述符的新数据集，可用于显著改进块匹配。与 Brown 等人当前可用的多视立体（MVS）数据集相比，我们提出的数据集在场景、图像以及正、负对应点的数量上均多出一个数量级。与 MVS 数据集相比，新数据集在视角、尺度和光照变化的整体覆盖上也更好。我们的数据集还提供补充信息，如带尺度和旋转值的 RGB 块，以及内参和外参相机参数，后文将表明这些信息可用于按应用定制训练数据。我们在该数据集上训练了一个现有的最先进模型，并在公开可用的基准（如 HPatches 数据集和 Strecha 等人\cite{strecha}）上评估以量化图像描述符性能。实验评估表明，在 HPatches 数据集上，用我们提出的数据集训练的描述符在匹配、验证和检索任务上分别比在 MVS 上训练的最先进描述符高出 8%、4% 和 10%。类似地，在 Strecha 数据集上，我们在非平面场景的匹配任务中观察到 3-5% 的提升。
引用
@article{arxiv.1801.01466,
title = {A Large Dataset for Improving Patch Matching},
author = {Rahul Mitra and Nehal Doiphode and Utkarsh Gautam and Sanath Narayan and Shuaib Ahmed and Sharat Chandran and Arjun Jain},
journal= {arXiv preprint arXiv:1801.01466},
year = {2018}
}