鲁棒的角度局部描述子学习
计算机视觉与模式识别
2019-01-29 v2
摘要
近年来,由于强大的深度卷积神经网络架构(如 L2-Net [1] 和基于三元组的度量学习 [2]),学习到的局部描述子大幅优于手工设计的描述子。然而,现有方法存在两个问题,阻碍了整体性能。首先,广泛使用的间隔损失对错误对应点敏感,而错误对应点在现有局部描述子学习数据集中十分普遍。其次,L2 距离忽略了特征向量已被归一化为单位范数这一事实。为解决这两个问题并进一步提升性能,我们提出了一种鲁棒的角度损失,其 1) 使用余弦相似度而非 L2 距离来比较描述子,2) 依赖于一种鲁棒的损失函数,该函数对具有负相对相似度的三元组施加更小的惩罚。所得描述子在不同数据集上表现出鲁棒性,在 Brown 数据集上达到最先进结果,同时在 Hpatches 数据集和宽基线立体数据集上展现出优异的泛化能力。
引用
@article{arxiv.1901.07076,
title = {Robust Angular Local Descriptor Learning},
author = {Yanwu Xu and Mingming Gong and Tongliang Liu and Kayhan Batmanghelich and Chaohui Wang},
journal= {arXiv preprint arXiv:1901.07076},
year = {2019}
}
备注
Accepted by ACCV2018