基于学习的降维方法用于计算紧凑而有效的局部特征描述子
计算机视觉与模式识别
2022-09-28 v1 机器人学
摘要
以特征形式对图像块进行独特性表示是许多计算机视觉和机器人任务(如图像匹配、图像检索和视觉定位)的关键组成部分。最先进的描述子,从手工描述子(如SIFT)到学习到的描述子(如HardNet),通常都是高维的;128维甚至更高。维度越高,使用此类描述子的方法的内存消耗和计算时间就越大。在本文中,我们研究使用多层感知机(MLPs)来提取低维但高质量的描述子。我们在无监督、自监督和监督设置下彻底分析了我们的方法,并在四个代表性描述子上评估了降维结果。我们考虑了不同的应用,包括视觉定位、图像块验证、图像匹配和检索。实验表明,我们的轻量级MLPs比PCA实现了更好的降维。我们的方法生成的低维描述子在下游任务中优于原始的高维描述子,尤其是对手工描述子而言。代码将发布于https://github.com/PRBonn/descriptor-dr。
引用
@article{arxiv.2209.13586,
title = {Learning-Based Dimensionality Reduction for Computing Compact and Effective Local Feature Descriptors},
author = {Hao Dong and Xieyuanli Chen and Mihai Dusmanu and Viktor Larsson and Marc Pollefeys and Cyrill Stachniss},
journal= {arXiv preprint arXiv:2209.13586},
year = {2022}
}
备注
7 pages, 7 figures