基于表面重建学习的可匹配图像检索
计算机视觉与模式识别
2018-12-11 v2
摘要
卷积神经网络（CNNs）在物体图像检索上已取得优越性能，而带有手工局部特征的词袋（BoW）模型仍在三维重建中重叠图像的检索占据主导。本文通过提出一种高效的基于 CNN 的方法来检索有重叠的图像（我们称之为可匹配图像检索问题），缩小了这一差距。不同于以往基于稀疏重建生成训练数据的方法，我们创建了一个具有丰富三维几何信息的大规模图像数据库，并利用表面重建的信息来获得细粒度训练数据。我们提出了一种结合网格重投影的批量三元组损失函数，以有效学习 CNN 表示。所提方法显著加速了三维重建中的图像检索过程，并在可匹配图像检索上优于最先进的基于 CNN 与 BoW 的方法。代码与数据见 https://github.com/hlzz/mirror。
引用
@article{arxiv.1811.10343,
title = {Matchable Image Retrieval by Learning from Surface Reconstruction},
author = {Tianwei Shen and Zixin Luo and Lei Zhou and Runze Zhang and Siyu Zhu and Tian Fang and Long Quan},
journal= {arXiv preprint arXiv:1811.10343},
year = {2018}
}
备注
accepted by ACCV 2018