ZippyPoint：通过混合精度离散化实现快速兴趣点检测、描述与匹配
计算机视觉与模式识别
2023-04-11 v3 机器学习
机器人学
摘要
高效检测和描述图像中的几何区域是视觉系统用于定位与建图的先决条件。此类系统仍依赖传统手工方法来高效生成轻量描述子，这是更强大的神经网络模型的一个常见局限，后者伴随高计算量和特定硬件需求。本文中，我们关注检测与描述神经网络所需的适配，以使其能在计算受限平台（如机器人、移动和增强现实设备）上使用。为此，我们研究并适配网络量化技术以加速推理并使其能在计算受限平台上使用。此外，我们重新审视描述子量化中的常见做法，并提出使用二值描述子归一化层，从而以恒定数量的 1 生成具有区分性的二值描述子。ZippyPoint 是我们具有二值描述子的高效量化网络，与全精度对应网络相比，将网络推理速度、描述子匹配速度和 3D 模型大小至少提升了一个数量级。这些改进带来的性能下降较小，已在单应性估计、视觉定位和免地图视觉重定位任务上进行了评估。代码和模型见 https://github.com/menelaoskanakis/ZippyPoint。
引用
@article{arxiv.2203.03610,
title = {ZippyPoint: Fast Interest Point Detection, Description, and Matching through Mixed Precision Discretization},
author = {Menelaos Kanakis and Simon Maurer and Matteo Spallanzani and Ajad Chhatkuli and Luc Van Gool},
journal= {arXiv preprint arXiv:2203.03610},
year = {2023}
}
备注
Computer Vision and Pattern Recognition Workshop (CVPRW), 2023