SIPs：基于无监督内点概率学习的简洁兴趣点
计算机视觉与模式识别
2019-08-20 v2
摘要
大量计算机视觉算法依赖于在图像中识别稀疏兴趣点并建立它们之间的对应关系。然而，最初识别出的兴趣点中只有一部分会产生真实的对应关系（内点）。本文中，我们寻求一种检测器，能够找到最少数量的点，这些点很可能产生应用相关的“足够”数量 k 个内点。为量化这一目标，我们引入了“k-简洁性”度量。提取最少数量的兴趣点对于许多应用具有吸引力，因为它可降低计算负载、内存和数据传输。除简洁性外，我们提出了一种基于预测给定像素为内点概率的无监督训练方法用于兴趣点检测器。与先前学习的检测器相比，我们的方法所需的数据预处理最少。我们的检测器与其他最先进检测器在涵盖室内外场景以及宽基线与窄基线的公开流行数据集上就简洁性进行了广泛评估。在某些情况下，我们的检测器仅用其他检测器 60% 的点数即可获得等量内点。代码与训练好的网络见 https://github.com/uzh-rpg/sips2_open 。
引用
@article{arxiv.1805.01358,
title = {SIPs: Succinct Interest Points from Unsupervised Inlierness Probability Learning},
author = {Titus Cieslewski and Konstantinos G. Derpanis and Davide Scaramuzza},
journal= {arXiv preprint arXiv:1805.01358},
year = {2019}
}
备注
8 pages, 2p references, 1p supplementary material. Accepted for publication at the IEEE International Conference on 3D Vision (3DV), Qu\'ebec City, 2019. v2 contains significant changes VS v1