致力探究邻域间隔：局部描述子学习损失
计算机视觉与模式识别
2018-01-15 v4
摘要
我们引入了一种受Lowe针对SIFT的匹配准则启发的用于学习局部特征描述子的新颖损失。我们表明，所提出的最大化批次中最近正样本块与最近负样本块之间距离的损失比复杂的正则化方法更好；它对于浅层和深层卷积网络架构都表现良好。将这种新颖损失应用于L2Net CNN架构产生了一种紧凑描述子——它与SIFT具有相同的维度（128），在宽基线立体、块验证和实例检索基准测试中展示了最先进（state-of-the-art）性能。它很快，在低端GPU上计算一个描述子大约需要1毫秒。
引用
@article{arxiv.1705.10872,
title = {Working hard to know your neighbor's margins: Local descriptor learning loss},
author = {Anastasiya Mishchuk and Dmytro Mishkin and Filip Radenovic and Jiri Matas},
journal= {arXiv preprint arXiv:1705.10872},
year = {2018}
}
备注
Post-NIPS-2017 update. Better hyperparameters and better results on HPatches + Brown dataset, + couple of references