通过学习检测关键点改进可变形物体的匹配
计算机视觉与模式识别
2023-09-13 v2
摘要
我们提出一种新颖的习得式关键点检测方法，以增加非刚性图像对应任务中正确匹配的数量。通过利用由指定描述子提取器匹配带标注图像对所获得的真实对应，我们训练一个端到端卷积神经网络（CNN）来寻找更适于所考虑描述子的关键点位置。为此，我们对图像施加几何与光度扭曲以生成监督信号，从而优化检测器。实验表明，当与我们的检测方法结合使用时，我们的方法提升了众多描述子的平均匹配精度（Mean Matching Accuracy），同时在非刚性物体的真实图像上以 20 个百分点优于最先进的关键点检测器。我们还将我们的方法应用于复杂的真实世界物体检索任务，其中我们的检测器表现与当前该任务可用的最佳关键点检测器相当。源代码与训练模型公开于 https://github.com/verlab/LearningToDetect_PRL_2023
引用
@article{arxiv.2309.00434,
title = {Improving the matching of deformable objects by learning to detect keypoints},
author = {Felipe Cadar and Welerson Melo and Vaishnavi Kanagasabapathi and Guilherme Potje and Renato Martins and Erickson R. Nascimento},
journal= {arXiv preprint arXiv:2309.00434},
year = {2023}
}
备注
This is the accepted version of the paper to appear at Pattern Recognition Letters (PRL). The final journal version will be available at https://doi.org/10.1016/j.patrec.2023.08.012