GIFT：通过群卷积神经网络学习变换不变的稠密视觉描述子
计算机视觉与模式识别
2019-11-15 v1
摘要
在不同视角图像间寻找局部对应需要能够抵抗几何变换的局部描述子。实现变换不变性的一种方法是通过对从图像变换版本中提取的特征进行池化来积分掉变换。然而，特征池化可能会牺牲所得描述子的区分性。本文引入一种名为群不变特征变换(GIFT)的新颖视觉描述子，它既具有区分性又对几何变换鲁棒。其核心思想是，从图像变换版本中提取的特征可视为定义在变换群上的函数。我们不使用特征池化，而是使用群卷积来利用提取特征在群上的底层结构，从而得到既具区分性又可证明对该变换群不变的描述子。大量实验表明，GIFT在多个基准数据集上优于最先进的方法，并实际提升了相对位姿估计的性能。
引用
@article{arxiv.1911.05932,
title = {GIFT: Learning Transformation-Invariant Dense Visual Descriptors via Group CNNs},
author = {Yuan Liu and Zehong Shen and Zhixuan Lin and Sida Peng and Hujun Bao and Xiaowei Zhou},
journal= {arXiv preprint arXiv:1911.05932},
year = {2019}
}
备注
Accepted by NeurIPS 2019