解耦使弱监督局部特征更优
计算机视觉与模式识别
2022-03-29 v2
摘要
弱监督学习可帮助局部特征方法克服获取具有密集标注对应的大尺度数据集的障碍。然而，由于弱监督无法区分由检测与描述步骤引起的损失，在联合先描述后检测的流程中直接进行弱监督学习会导致性能受限。本文提出一种为弱监督局部特征学习量身定制的解耦先描述后检测流程。在我们的流程中，检测步骤从描述步骤解耦，并推迟至判别性强且鲁棒的描述子学习完成之后。此外，我们引入一种线到窗口搜索策略，显式利用相机位姿信息以获得更好的描述子学习。大量实验表明，我们的方法（称为 PoSFeat，即相机位姿监督特征）优于以往的完全监督与弱监督方法，并在广泛下游任务上取得最先进（state-of-the-art）性能。
引用
@article{arxiv.2201.02861,
title = {Decoupling Makes Weakly Supervised Local Feature Better},
author = {Kunhong Li and Longguang Wang and Li Liu and Qing Ran and Kai Xu and Yulan Guo},
journal= {arXiv preprint arXiv:2201.02861},
year = {2022}
}
备注
CVPR2022