SFD2：语义引导的特征检测与描述
计算机视觉与模式识别
2023-06-13 v2
摘要
视觉定位是包括自动驾驶和机器人在内的多种应用的一项基础任务。先前的方法侧重于提取大量通常冗余的局部可靠特征，导致效率和精度有限，尤其在具有挑战性条件下的大规模环境中。相反，我们提出通过在高阶语义隐式嵌入到检测与描述过程中来提取全局可靠特征。具体而言，我们的语义感知检测器能够隐式地从可靠区域（如建筑、车道）检测关键点并抑制不可靠区域（如天空、汽车），而非依赖显式语义标签。这通过减少对环境变化敏感的特征数量并在测试时避免额外分割网络的需求，提升了关键点匹配的精度。此外，我们的描述子由语义增强并具有更强的判别能力，在测试时提供更多内点。特别地，在长时大规模视觉定位 Aachen Day-Night 和 RobotCar-Seasons 数据集上的实验表明，我们的模型优于先前的局部特征，并给出与先进匹配器竞争的精度，但在使用 2k 和 4k 关键点时分别快约 2 和 3 倍。
引用
@article{arxiv.2304.14845,
title = {SFD2: Semantic-guided Feature Detection and Description},
author = {Fei Xue and Ignas Budvytis and Roberto Cipolla},
journal= {arXiv preprint arXiv:2304.14845},
year = {2023}
}
备注
CVPR 2023. code is available at https://github.com/feixue94/sfd2