用于块匹配与三维重建的改进描述子
计算机视觉与模式识别
2017-08-29 v4
摘要
我们提出一种基于卷积神经网络(ConvNet)的方法来学习局部图像描述子，可用于显著改进块匹配与三维重建。多分辨率ConvNet用于学习关键点描述子。我们还提出了一个新数据集，其场景、图像以及正负对应点的数量比当前可用的多视图立体(Multi-View Stereo, MVS)[18]数据集大一个数量级。与MVS数据集相比，新数据集在视角、尺度和光照变化的整体覆盖上也更好。我们在公开数据集上评估所提方法，如Oxford Affine Covariant Regions Dataset (ACRD)[12]、MVS[18]、Synthetic[6]和Strecha[15]数据集，以量化图像描述子性能。来自Oxford ACRD、MVS和Synthetic数据集的场景用于评估所学描述子的块匹配性能，而Strecha数据集用于评估三维重建任务。实验表明，所提描述子在两项评估任务中均优于当前最先进(state-of-the-art)描述子。
引用
@article{arxiv.1701.06854,
title = {Improved Descriptors for Patch Matching and Reconstruction},
author = {Rahul Mitra and Jiakai Zhang and Sanath Narayan and Shuaib Ahmed and Sharat Chandran and Arjun Jain},
journal= {arXiv preprint arXiv:1701.06854},
year = {2017}
}
备注
9 pages, ICCV Workshop on Compact and Efficient Feature Representation and Learning (CEFRL), 2017