用于2D与3D几何对应的层次度量学习与匹配
计算机视觉与模式识别
2018-08-03 v3
摘要
兴趣点描述子推动了计算机视觉中几乎所有问题的进展。深度神经网络的最新发展使得针对特定任务的学习型描述子在许多问题上优于手工设计的描述子。我们发现，常用的度量学习方法未能最优地利用卷积神经网络（CNN）中学习到的特征层次结构，尤其是在应用于几何特征匹配任务时。虽然将度量损失应用于CNN的最深层通常被认为能产生与任务无关的理想特征，但实际上，不断增大的感受野以及下采样效应使得较浅层特征在高精度匹配任务中表现更好。我们利用这一洞察，并在特征层次的多个层级引入显式监督以获得更好的正则化，从而在几何匹配任务的背景下学习更有效的描述子。此外，我们提出使用CNN不同层的激活图，作为匹配任务中常用的多分辨率图像金字塔的一种有效且有原则的替代方案。我们提出了采用这些思想的具体CNN架构，并在多个数据集上对2D和3D几何匹配以及光流任务进行了评估，展示了最先进的性能和跨数据集的泛化能力。
引用
@article{arxiv.1803.07231,
title = {Hierarchical Metric Learning and Matching for 2D and 3D Geometric Correspondences},
author = {Mohammed E. Fathy and Quoc-Huy Tran and M. Zeeshan Zia and Paul Vernaza and Manmohan Chandraker},
journal= {arXiv preprint arXiv:1803.07231},
year = {2018}
}
备注
Accepted to ECCV 2018