ALIKED：一种基于可变形变换的轻量关键点与描述子提取网络
计算机视觉与模式识别
2023-04-18 v2
摘要
图像关键点与描述子在众多视觉测量任务中起着至关重要的作用。近年来，深度神经网络被广泛用于提升关键点与描述子提取的性能。然而，常规卷积操作无法为描述子提供所需的几何不变性。为解决此问题，我们提出了稀疏可变形描述子头（Sparse Deformable Descriptor Head, SDDH），其学习每个关键点支撑特征的可变形位置并构建可变形描述子。此外，SDDH在稀疏关键点而非稠密描述子图上提取描述子，从而能够高效提取具有强表达力的描述子。另外，我们将神经重投影误差（Neural Reprojection Error, NRE）损失从稠密松弛为稀疏以训练所提取的稀疏描述子。实验结果表明，所提网络在包括图像匹配、三维重建与视觉重定位在内的多种视觉测量任务中均高效且强大。
引用
@article{arxiv.2304.03608,
title = {ALIKED: A Lighter Keypoint and Descriptor Extraction Network via Deformable Transformation},
author = {Xiaoming Zhao and Xingming Wu and Weihai Chen and Peter C. Y. Chen and Qingsong Xu and Zhengguo Li},
journal= {arXiv preprint arXiv:2304.03608},
year = {2023}
}
备注
Accepted by IEEE Transactions on Instrumentation & Measurement