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
2501_924534892 小时前
智慧零售商品识别误报率↓74%!陌讯多模态融合算法在自助结算场景的落地优化
大数据·人工智能·算法·计算机视觉·目标跟踪·视觉检测·零售
盖雅工场2 小时前
连锁零售排班难?自动排班系统来解决
大数据·人工智能·物联网·算法·零售
bryant_meng3 小时前
【Apache MXNet】
人工智能·apache·mxnet
UMI赋能企业4 小时前
企业视频库管理高效策略
大数据·人工智能
一念&6 小时前
今日科技热点 | AI加速变革,量子计算商用化,5G应用新机遇
人工智能·科技·量子计算
严文文-Chris6 小时前
【GPT-5 与 GPT-4 的主要区别?】
人工智能·gpt
过往入尘土7 小时前
计算机视觉:从 “看见” 到 “理解”,解锁机器感知世界的密码
人工智能
飞哥数智坊8 小时前
别再组团队了,AI时代一个人就能创业
人工智能·创业
严文文-Chris8 小时前
GPT5的Test-time compute(测试时计算)是什么?
人工智能
Java中文社群8 小时前
白嫖ClaudeCode秘籍大公开!超详细
人工智能·后端