基于回归的通用物体类别图像配准
计算机视觉与模式识别
2014-07-09 v1
摘要
梯度下降法在人脸领域的图像配准中表现出快速且可靠的性能，但在更广泛的视觉社区中却在很大程度上被忽视。它们要求图像函数是平滑且（数值）可微的——这一性质对于遵循自然图像统计特性的基于像素的表示成立，但对于更一般的非线性特征变换类则不成立。我们表明，诸如 Dense SIFT 之类的变换可以通过回归预测下降方向，从而纳入 Lucas Kanade 配准框架。这使得能够在保持 Lucas Kanade 理想特性（如处理高维形变参数化的能力和快速收敛率）的同时，实现通用物体类别实例的鲁棒匹配。我们展示了在 ImageNet 中多个物体上的配准结果，并将该方法扩展至对图像语料库中物体进行无监督联合配准。
引用
@article{arxiv.1407.1957,
title = {Regression-Based Image Alignment for General Object Categories},
author = {Hilton Bristow and Simon Lucey},
journal= {arXiv preprint arXiv:1407.1957},
year = {2014}
}