UnsuperPoint：端到端无监督兴趣点检测器与描述子
计算机视觉与模式识别
2019-07-10 v1
摘要
由于兴趣点难以为人类标注者清晰且一致地定义，在自然图像中创建一致的兴趣点真值数据十分困难。这使得兴趣点检测器不易构建。本文中，我们提出一种无监督的、基于深度学习的兴趣点检测器与描述子。利用自监督方法，我们采用连体网络(siamese network)与一种新颖损失函数，使兴趣点分数与位置得以自动学习。所得的检测器与描述子称为 UnsuperPoint。我们对点位置进行回归以 1) 使 UnsuperPoint 可端到端训练，以及 2) 将非极大值抑制纳入模型。与多数可训练检测器不同，它无需生成伪真值点、无需基于运动恢复结构(structure-from-motion)的表示，且模型仅经一轮训练即学得。此外，我们引入一种新颖损失函数以正则化网络预测为均匀分布。UnsuperPoint 在 分辨率下以每秒 323 帧(fps)实时运行，在 下为 90 fps。在 HPatch 数据集上，就速度、重复性、定位、匹配分数与单应性估计衡量，其性能可与最先进水平(state-of-the-art)相当或更优。
引用
@article{arxiv.1907.04011,
title = {UnsuperPoint: End-to-end Unsupervised Interest Point Detector and Descriptor},
author = {Peter Hviid Christiansen and Mikkel Fly Kragh and Yury Brodskiy and Henrik Karstoft},
journal= {arXiv preprint arXiv:1907.04011},
year = {2019}
}