DRKF：用于局部特征匹配中高效旋转不变描述子的蒸馏旋转核融合
计算机视觉与模式识别
2024-01-08 v3
摘要
局部特征描述子的性能在存在大幅旋转变化时会出现退化。为解决此问题，我们提出一种学习旋转不变描述子的高效方法。具体而言，我们提出旋转核融合（RKF），其对卷积核施加旋转以改善 CNN 的固有特性。由于 RKF 可由后续的重新参数化进行处理，推理阶段不会引入额外计算成本。此外，我们提出多方向特征聚合（MOFA），其聚合从输入图像多个旋转版本中提取的特征，并可通过蒸馏策略为 RKF 的训练提供辅助知识。我们将蒸馏后的 RKF 模型称为 DRKF。除在公开数据集 HPatches 的旋转增强版本上评估外，我们还贡献了一个名为 DiverseBEV 的新数据集，其采集于无人机飞行过程中，由具有大视角变化和相机旋转的俯视图像组成。大量实验表明，在面对大幅旋转变化时，我们的方法优于其他最先进技术。
引用
@article{arxiv.2209.10907,
title = {DRKF: Distilled Rotated Kernel Fusion for Efficient Rotation Invariant Descriptors in Local Feature Matching},
author = {Ranran Huang and Jiancheng Cai and Chao Li and Zhuoyuan Wu and Xinmin Liu and Zhenhua Chai},
journal= {arXiv preprint arXiv:2209.10907},
year = {2024}
}
备注
8 pages, 7 figures