经典与深度关键点检测及描述方法的比较
计算机视觉与模式识别
2020-07-30 v2
摘要
本研究的目的是对若干经典手工设计与深度关键点检测及描述方法进行性能比较。具体地,我们考虑以下经典算法:SIFT、SURF、ORB、FAST、BRISK、MSER、HARRIS、KAZE、AKAZE、AGAST、GFTT、FREAK、BRIEF 和 RootSIFT,其中所有组合的一个子集被配对为检测器-描述符流水线。此外,我们分析了两个近期且有前景的深度检测器-描述符模型 LF-Net 和 SuperPoint 的性能。我们的基准测试基于 HPSequences 数据集,该数据集提供了在各种几何与光照变化下的真实且多样的图像。我们在三项评估任务上分析性能:关键点验证、图像匹配与关键点检索。结果表明,某些经典与深度方法仍具可比性,且部分经典检测器-描述符组合优于预训练深度模型。就所测试实现的执行时间而言,SuperPoint 模型最快,其次是 ORB。源代码发布于 \url{https://github.com/kristijanbartol/keypoint-algorithms-benchmark}。
引用
@article{arxiv.2007.10000,
title = {On the Comparison of Classic and Deep Keypoint Detector and Descriptor Methods},
author = {Kristijan Bartol and David Bojanić and Tomislav Pribanić and Tomislav Petković and Yago Diez Donoso and Joaquim Salvi Mas},
journal= {arXiv preprint arXiv:2007.10000},
year = {2020}
}