SuperPoint：自监督兴趣点检测与描述
计算机视觉与模式识别
2018-04-20 v4
摘要
本文提出一种自监督框架，用于训练适用于计算机视觉中大量多视图几何问题的兴趣点检测器与描述子。与基于图像块（patch）的神经网络不同，我们的全卷积模型在完整尺寸图像上运行，并在一次前向传播中联合计算像素级兴趣点位置及关联描述子。我们引入单应自适应（Homographic Adaptation），一种多尺度、多单应的方法，用于提升兴趣点检测的可重复性并执行跨域自适应（例如合成到真实）。我们的模型在采用单应自适应于 MS-COCO 通用图像数据集上训练后，能够比初始预自适应深度模型及任何其他传统角点检测器重复检测出丰富得多的兴趣点集合。与 LIFT、SIFT 和 ORB 相比，最终系统在 HPatches 上给出了最先进的单应估计结果。
引用
@article{arxiv.1712.07629,
title = {SuperPoint: Self-Supervised Interest Point Detection and Description},
author = {Daniel DeTone and Tomasz Malisiewicz and Andrew Rabinovich},
journal= {arXiv preprint arXiv:1712.07629},
year = {2018}
}
备注
Camera-ready version for CVPR 2018 Deep Learning for Visual SLAM Workshop (DL4VSLAM2018)