基于属性优化的无监督兴趣点学习框架
计算机视觉与模式识别
2019-07-29 v1
摘要
本文提出一种完全无监督的兴趣点训练框架，通过联合学习检测器与描述子，将图像作为输入并为每个图像点输出一个概率与描述。该训练框架的目标被表述为所提取点各属性的联合概率分布。核心属性选为稀疏性、可重复性与可判别性，并以概率形式表述。为高效最大化该目标，引入隐变量表示点满足所需属性的概率，从而可用期望最大化算法（EM）优化原最大化问题。考虑到 EM 在大规模图像集上计算成本高，我们以高效策略实现优化过程，即 EM 的小批量近似（MBEM）。实验中检测器与描述子均由全卷积网络实例化，称为属性网络（PN）。实验表明，PN 在多个图像匹配基准上无需重训练即优于 SOTA 方法。PN 还揭示所提训练框架具有适应多样场景类型的高灵活性。
引用
@article{arxiv.1907.11375,
title = {Unsupervised Learning Framework of Interest Point Via Properties Optimization},
author = {Pei Yan and Yihua Tan and Yuan Xiao and Yuan Tai and Cai Wen},
journal= {arXiv preprint arXiv:1907.11375},
year = {2019}
}
备注
16 pages, 6 figures, 5 tables