TCDesc：学习拓扑一致的描述子
计算机视觉与模式识别
2020-06-08 v1
摘要
三元组损失被广泛用于从图像块中学习局部描述子。然而，三元组损失仅最小化匹配描述子之间的欧氏距离并最大化非匹配描述子之间的欧氏距离，忽略了两个描述子集合之间的拓扑相似性。在本文中，我们提出在欧氏距离之外引入拓扑度量，通过考虑正样本的 kNN 描述子来学习拓扑一致的描述子。首先，我们为每个描述子建立一个新的拓扑向量，随后采用局部线性嵌入（LLE）来指示该描述子与其 kNN 描述子之间的拓扑关系。然后我们将描述子之间的拓扑距离定义为其拓扑向量之差。最后，我们采用动态加权策略融合匹配描述子的欧氏距离和拓扑距离，并将融合结果作为三元组损失中的正样本距离。在多个基准上的实验结果表明，我们的方法优于当前最优结果，并有效提升了三元组损失的性能。
引用
@article{arxiv.2006.03254,
title = {TCDesc: Learning Topology Consistent Descriptors},
author = {Honghu Pan and Fanyang Meng and Zhenyu He and Yongsheng Liang and Wei Liu},
journal= {arXiv preprint arXiv:2006.03254},
year = {2020}
}