Deep learning based descriptor

1、DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization

论文链接
代码链接

这是一篇训练点云的文章,在训练出local descriptor之后,通过聚类的方法得出global descriptor,并且提出了hierarchical network,使得local descriptor和global descriptor可以通过一个网络得到,通过共享计算降低了网络的复杂度,从而加快计算和训练。

2、RoRD: Rotation-Robust Descriptors and Orthographic Views for Local Feature Matching

论文链接
代码链接(未完成)

使用VGG作为主干网络,然后一半使用D2-net,另一半使用RoRD网络,RoRD网络会给原始图片一个较大的旋转,以提高所训练出的描述子的旋转不变性,D2-net可以保证在旋转较小或者没有旋转的时候,描述子依然可以很好地进行匹配。然后整合两种描述子。

3、DF-SLAM: A Deep-Learning Enhanced Visual SLAM System based on Deep Local Features

论文链接

未找到相关代码

主要思想:Tfeat(论文链接代码链接)结构+Hardnet(论文链接)提出的negative mining strategy

loss function:

采样策略通过L2成对距离矩阵在批次中选择最接近的不匹配patch。首先是生成一堆匹配好的局部patch,对一块patch中的指定anchor,只能一个可以匹配的patch。定义距离矩阵 D = d i j D={d_{ij}} D=dij.表示第 i i i个anchor patch描述子到第 j j j个postive patch描述子。

从而,hardest negative patch distance可以通过下式进行计算:
d n = m i n ( a k m i n , p j m i n ) d_n=min(a_{k_{min}},p_{j_{min}}) dn=min(akmin,pjmin)

这里, a k m i n a_{k_{min}} akmin表示到anchor patch最近的patch, p j m i n p_{j_{min}} pjmin表示到positive patch最近的patch。

从而定义损失函数:

这里, a i a_i ai表示anchor描述子, p i p_i pi是positive描述子。

4、Scale-Adaptive Neural Dense Features: Learning via Hierarchical Context Aggregation

论文链接
代码链接

主要模型框架:

Pixel-wise Contrastive Loss:


相关推荐
Jackson_Mseven36 分钟前
Instruction Tuning & RLHF:大侠成长之路的“武功秘籍”
人工智能·chatgpt·llm
人工智能训练师39 分钟前
Fay数字人如何使用GPT-SOVITS进行TTS转换以及遇到的一些问题
人工智能·gpt·语音识别
eric-sjq40 分钟前
0.08B参数以小博大:用小模型生成媲美GPT-4o的古典诗词
人工智能
数据知道43 分钟前
百度翻译详解:包括PaddleNLP、百度AI开放平台、接口逆向(包括完整代码)
人工智能·百度·语言模型·自然语言处理·机器翻译
舒一笑1 小时前
企业AI落地不顺问题可能出在你没搞懂知识库
人工智能
涛思数据(TDengine)1 小时前
可信数据库大会现场,TDengine 时序数据库展示核电场景下的高性能与 AI 创新
大数据·运维·数据库·人工智能·时序数据库·tdengine·涛思数据
不剪发的Tony老师1 小时前
NeoBase:一款开源、基于AI的数据库管理助手
数据库·人工智能·neobase
一碗白开水一2 小时前
【YOLO系列】YOLOv12详解:模型结构、损失函数、训练方法及代码实现
人工智能·深度学习·yolo·计算机视觉
努力一点9482 小时前
ubuntu22.04系统实践 linux基础入门命令(三) 用户管理命令
linux·运维·服务器·人工智能·ubuntu·gpu算力