用于自监督关键点学习的神经离群值拒绝
计算机视觉与模式识别
2019-12-24 v1 机器人学
摘要
在图像中识别显著点对于视觉里程计、运动恢复结构或SLAM算法而言是至关重要的组成部分。近来，若干学习型关键点方法在具有挑战性的基准上展现出引人注目的性能。然而，为自然图像中的兴趣点检测生成一致且准确的训练数据仍然具有挑战性，尤其是对于人类标注者而言。我们引入了IO-Net（即InlierOutlierNet），一种用于关键点检测、描述与匹配自监督的新代理任务。通过在点对对应关系中内点-外点集的采样在关键点学习框架内完全可微，我们表明能够同时自监督关键点描述并改进关键点匹配。其次，我们引入了KeyPointNet，一种特别适合于鲁棒关键点检测与描述的关键点网络架构。我们设计该网络以允许局部关键点聚合，从而避免该任务常用的空间离散化所导致的伪影，并且我们利用高效的亚像素卷积将描述子特征图上采样至更高的操作分辨率，从而改进细粒度关键点描述子性能。通过大量实验与消融分析，我们表明所提出的自监督关键点学习方法在具有挑战性的基准上大幅改善了特征匹配与单应性估计的质量，优于当前最优方法。
引用
@article{arxiv.1912.10615,
title = {Neural Outlier Rejection for Self-Supervised Keypoint Learning},
author = {Jiexiong Tang and Hanme Kim and Vitor Guizilini and Sudeep Pillai and Rares Ambrus},
journal= {arXiv preprint arXiv:1912.10615},
year = {2019}
}