学习检测良好关键点以匹配RGB图像中的非刚性物体
计算机视觉与模式识别
2022-12-20 v1
摘要
我们提出了一种新颖的基于学习的关键点检测方法，旨在最大化非刚性图像对应任务中的正确匹配数量。我们的训练框架使用真实对应关系作为真值来训练卷积神经网络（CNN），这些对应关系是通过用预定义的描述子提取器匹配标注图像对获得的。我们通过将已知的几何变换应用于图像作为监督信号来优化模型架构。实验表明，我们的方法在非刚性物体真实图像上的平均匹配准确率比当前最先进的关键点检测器高出20个百分点，并且当与我们的检测方法结合时，也提升了几种描述子的匹配性能。我们还将所提出的方法应用于一个具有挑战性的真实世界应用：物体检索，在该应用中，我们的检测器表现出与现有最佳关键点检测器相当的性能。源代码和训练模型已在https://github.com/verlab/LearningToDetect SIBGRAPI 2022上公开。
引用
@article{arxiv.2212.09589,
title = {Learning to Detect Good Keypoints to Match Non-Rigid Objects in RGB Images},
author = {Welerson Melo and Guilherme Potje and Felipe Cadar and Renato Martins and Erickson R. Nascimento},
journal= {arXiv preprint arXiv:2212.09589},
year = {2022}
}