用于姿态不变三维匹配的关键点检测器与描述符端到端学习
计算机视觉与模式识别
2018-05-10 v2
摘要
寻找图像或三维扫描之间的对应关系是许多计算机视觉和图像检索应用的核心，并且通常通过匹配局部关键点描述符来实现。过去各种学习方法已应用于匹配流程的不同阶段，考虑检测器、描述符或度量学习目标。这些目标通常是分开处理的，且以往大多数工作聚焦于图像数据。本文提出了一种用于三维深度图或三维扫描的关键点检测及其表示（描述符）的端到端学习框架，其中两者可针对特定任务目标联合优化，无需单独标注。我们采用一种由采样层和新型分数损失函数增强的 Siamese 架构，该损失函数进而影响区域提议的选择。正例和负例通过基于其与已知三维姿态标签的一致性采样对应区域提议自动获得。在多个基准数据集上利用深度数据的匹配实验证明了所提方法的有效性，显示出相比最先进方法的显著改进。
引用
@article{arxiv.1802.07869,
title = {End-to-end learning of keypoint detector and descriptor for pose invariant 3D matching},
author = {Georgios Georgakis and Srikrishna Karanam and Ziyan Wu and Jan Ernst and Jana Kosecka},
journal= {arXiv preprint arXiv:1802.07869},
year = {2018}
}
备注
9 pages, 9 figures, 3 tables, CVPR 2018