Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Viiteartikkeli tai linkki

Kuvan vastaavuus käsintehdyistä syviin ominaisuuksiin: kysely
Kuvan täsmäytys leveillä peruslinjoilla: paperista käytäntöön
Kuvan rekisteröintitekniikat: kysely
Karttapohjainen visuaalinen paikannus

Ominaisuuspisteen suorituskyvyn arviointi

Viitepaperit:

• Paikallisten kuvausten suorituskyvyn arviointi
  
• SuperPoint-liite

Toistettavuus
Kulman havaitsemisen keskimääräinen virhe
Kulman sijoitusvirhe

Lyhyesti sanottuna hyvä piirrepisteiden erotin voi poimia vakaasti ja tarkasti 2D-pisteitä, jotka on muodostettu projisoimalla samassa tilassa olevia 3D-pisteitä kuvaan erilaisissa muuttuvissa olosuhteissa (kuten katselukulma, valaistus jne.).

Perinteiset ominaisuuspisteet ja kuvaukset (vain ominaisuuspisteet tai ominaisuuspisteet + kuvaukset)

Visuaaliset piirrepisteet suunniteltiin alun perin tutkijoiden ajattelun pohjalta, kuten SIFT, SURF, ORB ja Harris jne. Niitä käytettiin myös visuaalisessa slamissa tai paikannuksessa samalla ajanjaksolla.
[Harris，1988] VINS
[Shi-Tomasi, 1994] MonoSLAM
[NOPEASTI,1998] ORB_SLAM, T265 VIO， MCKF-VIO, Avaa VSLAM, OKVIS, ROVIO, PTAM
[Blob and Corner]SOFT-SLAM
[SEULOA, 1999] MSCKF
[KUMMAJAINEN,2012] Näköavusteinen lokalisointi maaroboteille

perinteinen kuvaaja

[LYHYT, 2010] käytetään usein yhdessä nopeiden kulmapisteiden kanssa, kutenORB_SLAM，LDSOodota
[REIPAS, 2011]: BRIEFin parannus mittakaava- ja rotaatioinvarianssilla

Perinteisten kuvailijoiden rajoitukset: Ne on suunniteltu inhimillisten tunteiden perusteella, eivätkä ne ole riittävän spesifisiä esimerkiksi tietokoneille.

Ominaisuuspisteet perustuvat syvään oppimiseen

CovDet
Quad-verkot
AffNet
KeyNet
MagicPoint

Syväoppimiseen perustuvat kuvaukset

L2Net: Uudet näytteenottotilat ja virheet, CVPR2017
DeepCD: liukulukukuvaajat ja binäärikuvaajat täydentävät toisiaan, ICCV2017
Spread-out: Kuvaajien paikkajakauman oppiminen, ICCV2017
HardNet: Parannettu virhe perustuu L2Netiin, NIPS2017
SoSNet: Oppimiskuvaaja, joka perustuu toisen asteen samankaltaisuusregulaatioon, CVPR2019
LAHJA: Ryhmäkonvoluutiojoukkojen käyttäminen kuvaajien oppimiseen tietyllä mittakaava- ja rotaatioinvarianssilla, NIPS2019
S2DNet: Muunna kuvaajien oppiminen luokitusongelmaksi ja harjoittele harvasta tiheäksi, ECCV2020
CAPS: Kuvausoppiminen käyttämällä vain epipolaarisia rajoituksia.

Ominaisuuspisteet + syvään oppimiseen perustuvat kuvaukset

SuperPoint: Itsevalvottu ominaisuuspisteiden ja kuvaajien oppiminen tietyllä valaistuksen kestävyydellä, DX-SLAM, CVPR2018
HISSI: Oppimiseen perustuva invarianttien ominaisuuksien muunnos, 2016:
LEVY: Käytä käytäntögradienttimenetelmää vahvistavassa oppimisessa oppiaksesi piirteiden poimimisesta ja kuvauksesta, jolla on tietty kestävyys heikoille taiteen ja tieteen aloille, NIPS2020
R2D2: Ehdotettu ominaisuuspisteiden toistettavuudelle ja luotettavuudelle, NeurIPS2019
D2Net: Paikalliset ominaisuudet tunnistavat ja kuvaavat yhdessä koulutettavan CNN:n, CVPR2019:n
ASLFeat: Paikallisten kuvaajien oppiminen tarkan muodon ja paikannukseen, CVPR2020

Syväoppimiseen perustuvia ominaisuuspisteitä ja kuvauksia ehdotetaan usein korjaamaan perinteisten menetelmien puutteita käytännön sovelluksissa, ja ne ovat kestävämpiä valaistukseen, katselukulmiin jne.

ominaisuuksien yhteensopivuus

Lähin naapuri Knn vastaava
FLANN-sovitusalgoritmi
GMS: Hyödyntämällä liikkeen tasoitustietoja nopeaan ja kestävään ominaisuuksien yhteensovitukseen, CVPR2017
AdaLAM: Virheen täsmäytyspoistoalgoritmi, joka ottaa huomioon vastaavan pistejakauman ja affinisen johdonmukaisuuden, ja kuva jaetaan lohkoihin affiinin muunnoksen RANSAC perusteella.
SGM-Nets: Puoliglobaali sovitus hermoverkkojen avulla, CVPR2017
PointCN: Raaka voimasovituksen jälkeen ehdota virhesovitusta monikerroksisella perceptronilla, CVPR2018
SuperGlue Match: Vankka sovitus, joka perustuu graafisen hermoverkkoon ja huomiomekanismiin, CVPR2020
LoFTR: Transformerin käyttäminen paikalliseen ominaisuussovitukseen ilman ominaisuuspoiminta, CVPR2021