超越笛卡尔表示的局部描述子
计算机视觉与模式识别
2019-08-16 v1
摘要
学习局部图像块描述子的主流方法依赖于小图像区域，其尺度必须由关键点检测器事先正确估计。换言之，若两个图像块不对应，它们的描述子将不匹配。常用于缓解此问题的策略是对数极坐标区域上而非规则间隔区域上对逐像素特征进行“池化”。相比之下，我们提出直接用对数极坐标采样方案提取“支撑区域”。我们表明，这通过同时过采样该点紧邻邻域并欠采样远离该点的区域，提供了更好的表示。我们证明该表示特别适合用深度网络学习描述子。我们的模型能在比以往更广的尺度范围内匹配描述子，并且能利用大得多的支撑区域而不受遮挡影响。我们在三个不同数据集上报告了最先进的(state-of-the-art)结果。
引用
@article{arxiv.1908.05547,
title = {Beyond Cartesian Representations for Local Descriptors},
author = {Patrick Ebel and Anastasiia Mishchuk and Kwang Moo Yi and Pascal Fua and Eduard Trulls},
journal= {arXiv preprint arXiv:1908.05547},
year = {2019}
}