理解与改进核局部描述子
计算机视觉与模式识别
2018-11-28 v1
摘要
我们提出一种基于像素梯度高效匹配核的多核局部块描述子。它结合了梯度位置与方向的两类参数化，每类参数化针对不同类型的块误配准提供鲁棒性：极坐标参数化针对块主方向检测中的噪声，笛卡尔坐标针对特征点位置的不精确。结合描述子空间的白化（以有或无监督方式学习），性能得到显著提升。我们分析了白化对块相似性的影响并展示了其语义含义。我们的无监督变体是无需标注数据构建的性能最佳描述子。尽管所提描述子简单，其在多项不同任务上与深度学习方法表现相当。
引用
@article{arxiv.1811.11147,
title = {Understanding and Improving Kernel Local Descriptors},
author = {Arun Mukundan and Giorgos Tolias and Andrei Bursuc and Hervé Jégou and Ondřej Chum},
journal= {arXiv preprint arXiv:1811.11147},
year = {2018}
}