使用 PIXER 学习视觉信息效用
计算机视觉与模式识别
2024-09-23 v1 机器人学
摘要
准确的特征检测对于各种计算机视觉任务至关重要，包括自主机器人、3D 重建、医学成像和遥感。尽管在增强视觉特征的鲁棒性方面取得了进展，但目前尚无方法能在特定特征类型算法处理之前衡量视觉信息的效用。为了填补这一空白，我们引入了 PIXER 和“特征度”（Featureness）概念，该概念反映了对鲁棒识别而言视觉信息固有的关注度和可靠性，且独立于任何特定特征类型。利用贝叶斯学习上的一种泛化，我们的方法在单次过程中量化了像素对鲁棒视觉效用的贡献的概率和不确定性，避免了诸如蒙特卡洛采样等高成本操作，并允许适应广泛应用的可定制特征度定义。我们在带有特征度选择性的视觉里程计上评估了 PIXER，在使用减少 49% 特征的情况下，RMSE 轨迹平均改善了 31%。
引用
@article{arxiv.2409.13151,
title = {Learning Visual Information Utility with PIXER},
author = {Yash Turkar and Timothy Chase and Christo Aluckal and Karthik Dantu},
journal= {arXiv preprint arXiv:2409.13151},
year = {2024}
}