面向资源受限设备重新审视二值局部图像描述
计算机视觉与模式识别
2021-08-20 v1
摘要
大量资源受限设备的出现为计算机视觉算法设计带来了新挑战,需在精度与计算需求间明确折衷。本文提出新的二值图像描述子,源于将三元组排序损失、难负样本挖掘与锚点交换应用于基于像素差与图像梯度的传统特征。这些描述子BAD (Box Average Difference)与HashSIFT在现有最优的精度-资源权衡曲线上确立了新的工作点。在我们的实验中,我们评估了所提描述子的精度、执行时间与能耗。我们表明BAD具有文献中最快的描述子实现,而HashSIFT在精度上接近顶尖的基于深度学习的描述子,且计算更高效。我们已公开源代码。
引用
@article{arxiv.2108.08380,
title = {Revisiting Binary Local Image Description for Resource Limited Devices},
author = {Iago Suárez and José M. Buenaposada and Luis Baumela},
journal= {arXiv preprint arXiv:2108.08380},
year = {2021}
}