(這裏主要是記錄一下自己看論文的思路和過程,目前時間不是很充足,有些寫到一半,後面有時間會繼續更新)
圖像局部特徵
傳統的特徵提取和特徵描述方式,比如SIFT、SURF和ORB等,需要人工去手動提取特徵點,然後設計特徵描述符。目前隨着深度學習的發展,越來越多的工作嘗試使用學習的方式來提取特徵點或者是計算特徵點的描述符,後面會介紹一下相關的工作。
最近有很多的相關工作,想直接獲取原文鏈接的同學,這裏整理了一些可以參考(會同步更新的):基於學習方式的圖像局部特徵。
相關工作
GeoDesc
SuperPoint
HardNet
L2-Net
LIFT
評價指標和數據集
局部特徵評價指標
HPatches
Brown
總結對比
下面簡單列舉從14年來使用深度學習方法來提取特徵點或者是計算特徵點的描述符的工作。下面列舉的方法的相關信息以及論文和代碼鏈接都進行了整理,在鏈接可以找到。
傳統方法我這裏就不說明和列舉了,有興趣的可以自己去網上查詢,資料很多的
提取 | 描述符 | |
---|---|---|
GeoDesc | N | Y |
LF-Net | ||
SIPS | ||
DOAP | ||
SuperPoint | Y | Y |
AffNet | ||
HardNet | N | Y |
Spread-out | ||
DeepCD | ||
Quad-networks | ||
L2-Net | N | Y |
UCN | ||
LIFT | Y | Y |
DeepPatchMatch | ||
DeepBit | ||
TFeat | ||
PN-Net | ||
DeepDesc | ||
DeepCompare | ||
TILDE | ||
MatchNet |