R2D2：可重复且可靠的检测器与描述子
计算机视觉与模式识别
2019-06-18 v2
摘要
兴趣点检测与局部特征描述是许多计算机视觉应用中的基础步骤。这些任务的经典方法基于“先检测后描述”的范式，即使用独立的手工方法来首先识别可重复关键点，然后用局部描述子表示它们。近期，采用度量学习损失训练的神经网络已赶上这些技术，其侧重于学习用于关键点检测的可重复显著性图，并在检测到的关键点位置学习描述子。在本工作中，我们认为显著区域未必具有判别性，因此可能损害描述性能。此外，我们主张描述子应仅在能够高置信度完成匹配的区域中学习。因此我们提出联合学习关键点检测与描述，同时学习一个局部描述子判别性预测器。这使我们能够避开模糊区域，从而得到可靠的关键点检测与描述。我们这种以自监督训练的 detection-and-description 方法，可同时输出稀疏、可重复且可靠的关键点，在 HPatches 数据集上优于 SOTA 检测器与描述子。它还在最近发布的 Aachen Day-Night 定位数据集上创下了纪录。
引用
@article{arxiv.1906.06195,
title = {R2D2: Repeatable and Reliable Detector and Descriptor},
author = {Jerome Revaud and Philippe Weinzaepfel and César De Souza and Noe Pion and Gabriela Csurka and Yohann Cabon and Martin Humenberger},
journal= {arXiv preprint arXiv:1906.06195},
year = {2019}
}