D2-Net：一种用于局部特征联合检测与描述的可训练 CNN
计算机视觉与模式识别
2019-05-10 v1
摘要
本文研究在困难成像条件下寻找可靠像素级对应的问题。我们提出一种方法，其中单个卷积神经网络扮演双重角色：同时作为稠密特征描述子和特征检测器。通过将检测推迟到后续阶段，所获得的关键点比基于早期低层结构检测的传统对应方法更稳定。我们表明，该模型可使用从现成的大规模 SfM 重建中提取的像素对应进行训练，无需任何进一步标注。所提方法在困难的 Aachen Day-Night 定位数据集和 InLoc 室内定位基准上均取得了最先进的性能，并在其他图像匹配与三维重建基准上获得了具有竞争力的性能。
引用
@article{arxiv.1905.03561,
title = {D2-Net: A Trainable CNN for Joint Detection and Description of Local Features},
author = {Mihai Dusmanu and Ignacio Rocco and Tomas Pajdla and Marc Pollefeys and Josef Sivic and Akihiko Torii and Torsten Sattler},
journal= {arXiv preprint arXiv:1905.03561},
year = {2019}
}
备注
Accepted at CVPR 2019