通过优化关键点对应准则学习局部描述子：在人脸匹配、从无标签视频学习和三维形状检索中的应用
计算机视觉与模式识别
2019-05-08 v6
摘要
当前最佳的局部描述子是在大规模匹配与不匹配关键点对数据集上学习的。然而，此类数据并非总可用，因为详细的关键点对应可能难以建立。另一方面，我们常能获得关键点袋对的标签。例如，从同一物体在不同视角下的两幅图像提取的关键点袋构成匹配对，而从不同物体图像提取的关键点袋构成不匹配对。平均而言，匹配对应包含比不匹配对更多的对应关键点。我们描述了一种端到端可微架构，使得能从此类弱标签数据中学习局部关键点描述子。此外，我们讨论了如何通过引入难负样本挖掘过程来改进方法。我们还展示了我们的方法如何用于从无标签视频信号和三维模型学习卷积特征。我们的实现可在 https://github.com/nenadmarkus/wlrn 获取。
引用
@article{arxiv.1603.09095,
title = {Learning Local Descriptors by Optimizing the Keypoint-Correspondence Criterion: Applications to Face Matching, Learning from Unlabeled Videos and 3D-Shape Retrieval},
author = {Nenad Markuš and Igor S. Pandžić and Jörgen Ahlberg},
journal= {arXiv preprint arXiv:1603.09095},
year = {2019}
}
备注
This version has been accepted for publication in IEEE Transactions on Image Processing (presents methodological and experimental improvements of our ICPR2016 paper)