新加坡国立大学 | 通过可变形变换实现轻量级关键点和描述符提取网络

​

【推荐理由】描述符在许多视觉测量任务中起着至关重要的作用，本文提出了稀疏可变形描述符头用于可变形描述符。实验结果表明，所提出的网络在各种视觉测量任务中既高效又强大，包括图像匹配、3D重建和视觉重定位。

ALIKED: A Lighter Keypoint and Descriptor Extraction Network via Deformable Transformation
Xiaoming Zhao, Xingming Wu, Weihai Chen, Peter C. Y. Chen, Qingsong Xu, Zhengguo Li (IEEE Fellow)

【论文链接】https://arxiv.org/pdf/2304.03608.pdf

【摘要】图像关键点和描述符在许多视觉测量任务中起着至关重要的作用。近年来，深度神经网络已被广泛用于改进关键点和描述符提取的性能。然而，传统的卷积操作不能提供描述符所需的几何不变性。为了解决这个问题，作者提出了稀疏可变形描述符头（SDDH），它学习每个关键点支持特征的可变形位置，并构建可变形描述符。此外，SDDH在稀疏关键点上提取描述符，而不是密集的描述符图，从而实现了具有强表现力的描述符的高效提取。此外，文章将神经重投影误差（NRE）损失从密集到稀疏放松，以训练提取的稀疏描述符。实验结果表明，所提出的网络在各种视觉测量任务中既高效又强大，包括图像匹配、三维重建和视觉重定位。

​Read More