IF-Net：一种光照不变特征网络
计算机视觉与模式识别
2020-08-11 v1 机器学习
图像与视频处理
摘要
特征描述子匹配是图像拼接、图像检索和视觉定位等许多计算机视觉应用中的关键步骤。然而，它常受许多实际因素影响而导致性能下降。在这些因素中，光照变化是最具影响的一个，且此前尚无描述子学习工作专注于解决该问题。本文提出 IF-Net，旨在在显著光照变化条件下生成鲁棒且通用的描述子。我们发现不仅训练数据的种类重要，其呈现顺序也很重要。为此，我们研究了多种数据集调度方法，并提出一种分离训练方案以提高匹配精度。此外，我们结合该训练方案提出了 ROI 损失与难正样本挖掘策略，可增强所生成描述子应对大幅光照变化条件的能力。我们在公开块匹配基准上评估了我们的方法，相比若干 SOTA 方法取得了最佳结果。为展示实用性，我们进一步在大幅光照变化场景下的视觉定位任务上评估 IF-Net，并取得了最佳的定位精度。
引用
@article{arxiv.2008.03897,
title = {IF-Net: An Illumination-invariant Feature Network},
author = {Po-Heng Chen and Zhao-Xu Luo and Zu-Kuan Huang and Chun Yang and Kuan-Wen Chen},
journal= {arXiv preprint arXiv:2008.03897},
year = {2020}
}
备注
7 pages, 5 figures