虚拟真实值与三维兴趣点预选以提升二维检测器可重复性评估

在计算机视觉中，寻找简单特征是通过称为兴趣点（IP）检测器的分类器来完成的，这些检测器常用于在场景变化时跟踪特征。对于基于二维的分类器，鉴于在二维之外建立真实值的困难，使用二维度量来衡量重复点的可靠性是直观的做法。本文旨在弥合二维分类器与三维环境之间的差距，并改进二维IP分类在三维物体上的性能分析。本文基于已有的三维扫描与人工模型工作，借助虚拟化三维场景来测试传统的二维特征检测器。在测试中利用虚拟空间深度，在测量可重复性之前于二维与三维语境下对最接近的可重复点进行预选。这一更可靠的真实值被用于分析在x、y、z旋转仿射变换以及x、y缩放下，使用单一及12个模型数据集与9种知名IP检测器的测试配置。虚拟场景的真实值表明，三维预选消除了在二维配置中通常被视为重复的大量假阳性。结果表明，三维虚拟环境可在将传统检测器的应用扩展到三维环境时辅助比较其性能，并能在测试预期分类器性能时带来更好的特征分类。基于ROC的informedness度量也凸显了相较于传统可重复性度量的二维/三维性能权衡。