可重复性不足够：通过可判别性学习仿射区域
计算机视觉与模式识别
2018-08-29 v4 神经与进化计算
摘要
提出了一种学习局部仿射协变区域的方法。我们表明，最大化几何可重复性并不会产生可靠匹配的局部区域（即特征），这需要基于描述子的学习。我们探讨了影响此类学习和配准的因素：损失函数、描述子类型、几何参数化以及可匹配性与几何精度之间的权衡，并提出了一种用于仿射区域学习的新型难负样本恒定损失函数。用难负样本恒定损失训练的仿射形状估计器——AffNet——在词袋图像检索和宽基线立体中优于最先进水平。所提出的训练过程不需要精确几何对齐的补丁。源代码和训练权重可在 https://github.com/ducha-aiki/affnet 获取。
引用
@article{arxiv.1711.06704,
title = {Repeatability Is Not Enough: Learning Affine Regions via Discriminability},
author = {Dmytro Mishkin and Filip Radenovic and Jiri Matas},
journal= {arXiv preprint arXiv:1711.06704},
year = {2018}
}
备注
ECCV 2018 camera ready