Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Άρθρο αναφοράς ή σύνδεσμος

Αντιστοίχιση εικόνας από χειροποίητα σε βαθιά χαρακτηριστικά: Μια έρευνα
Αντιστοίχιση εικόνας σε ευρείες γραμμές βάσης: Από το χαρτί στην πρακτική
Τεχνικές Καταχώρησης Εικόνας: Έρευνα
Οπτική τοποθέτηση βάσει χάρτη

Αξιολόγηση απόδοσης χαρακτηριστικού σημείου

Έγγραφα αναφοράς:

• Αξιολόγηση απόδοσης τοπικών περιγραφικών παραγόντων
  
• Παράρτημα SuperPoint

Επαναληψιμότητα
Μέσο σφάλμα ανίχνευσης γωνίας
Σφάλμα τοποθέτησης γωνίας

Εν ολίγοις, ένας καλός εξαγωγέας σημείων μπορεί να εξάγει σταθερά και με ακρίβεια σημεία 2D που σχηματίζονται προβάλλοντας σημεία 3D στον ίδιο χώρο στην εικόνα υπό διαφορετικές μεταβαλλόμενες συνθήκες (όπως γωνία θέασης, φωτισμός κ.λπ.).

Παραδοσιακά σημεία και περιγραφείς χαρακτηριστικών (μόνο σημεία χαρακτηριστικών ή σημεία χαρακτηριστικών + περιγραφείς)

Τα οπτικά σημεία χαρακτηριστικών σχεδιάστηκαν αρχικά με βάση τη σκέψη των ερευνητών, όπως SIFT, SURF, ORB και Harris, κ.λπ. Χρησιμοποιήθηκαν επίσης σε οπτικό slam ή τοποθέτηση κατά την ίδια περίοδο.
[Χάρις，1988] VINS
[Σι-Τομάσι, 1994] MonoSLAM
[ΓΡΗΓΟΡΑ,1998] ORB_SLAM, Τ265 ΒΙΟ， MSCKF-VIO, OpenVSLAM, OKVIS, ΡΟΒΙΟ, PTAM
[Blob and Corner]SOFT-SLAM
[ΚΟΣΚΙΝΙΖΩ, 1999] MSCKF
[ΦΡΙΚΙΟ,2012] Εντοπισμός με βοήθεια όρασης για ρομπότ εδάφους

παραδοσιακός περιγραφέας

[ΣΥΝΤΟΜΟΣ, 2010] χρησιμοποιείται συχνά σε συνδυασμό με γρήγορα σημεία γωνίας, όπως π.χORB_SLAM，LDSOΠερίμενε
[ΖΩΗΡΟΣ, 2011]: Μια βελτίωση του BRIEF με αναλλοίωτη κλίμακα και περιστροφή

Περιορισμοί των παραδοσιακών περιγραφέων: Σχεδιάζονται με βάση τα ανθρώπινα συναισθήματα και δεν είναι αρκετά συγκεκριμένοι για υπολογιστές, για παράδειγμα, δεν μπορούν να αντιμετωπίσουν αλλαγές στις γωνίες φωτισμού και άλλες αλλαγές.

Χαρακτηρίστε σημεία που βασίζονται στη βαθιά μάθηση

CovDet
Τετρα-δίκτυα
AffNet
KeyNet
MagicPoint

Περιγραφείς βασισμένοι στη βαθιά μάθηση

L2Net: Νέοι τρόποι δειγματοληψίας και σφάλματα, CVPR2017
DeepCD: Οι περιγραφείς κινητής υποδιαστολής και οι δυαδικοί περιγραφείς είναι συμπληρωματικοί, ICCV2017
Spread-out: Εκμάθηση της χωρικής κατανομής των περιγραφέων, ICCV2017
HardNet: Βελτιωμένο σφάλμα με βάση το L2Net, NIPS2017
SoSNet: Περιγραφέας μάθησης που βασίζεται σε κανονικοποίηση ομοιότητας δεύτερης τάξης, CVPR2019
ΔΩΡΟ: Χρήση συνόλων συνέλιξης ομάδας για εκμάθηση περιγραφέων με συγκεκριμένη κλίμακα και αναλλοίωτη περιστροφή, NIPS2019
S2DNet: Μετατρέψτε τη μάθηση του περιγραφέα σε πρόβλημα ταξινόμησης και εκπαιδεύστε από αραιό σε πυκνό, ECCV2020
CAPS: Εκμάθηση περιγραφών χρησιμοποιώντας μόνο επιπολικούς περιορισμούς.

Σημεία χαρακτηριστικών + περιγραφικοί δείκτες που βασίζονται στη βαθιά μάθηση

SuperPoint:Αυτοεποπτευόμενο σημείο χαρακτηριστικών και εκμάθηση περιγραφικού στοιχείου, με συγκεκριμένη στιβαρότητα στο φωτισμό, DX-SLAM, CVPR2018
ΑΝΕΛΚΥΣΤΗΡΑΣ: Μετασχηματισμός αναλλοίωτων χαρακτηριστικών βάσει μάθησης, 2016:
ΔΙΣΚΟΣ: Χρησιμοποιήστε τη μέθοδο κλίσης πολιτικής στην ενισχυτική μάθηση για να μάθετε την εξαγωγή και την περιγραφή χαρακτηριστικών, η οποία έχει κάποια ευρωστία σε αδύναμες περιοχές τεχνών και επιστημών, NIPS2020
R2D2: Προτείνεται για την επαναληψιμότητα και την αξιοπιστία των σημείων χαρακτηριστικών, NeurIPS2019
D2Net: Τα τοπικά χαρακτηριστικά εντοπίζουν και περιγράφουν από κοινού το εκπαιδεύσιμο CNN, CVPR2019
ASLFeat: Εκμάθηση τοπικού περιγραφέα για ακριβές σχήμα και τοποθέτηση, CVPR2020

Τα σημεία χαρακτηριστικών και οι περιγραφικοί δείκτες που βασίζονται στη βαθιά μάθηση προτείνονται συχνά για την αντιμετώπιση των αδυναμιών των παραδοσιακών μεθόδων σε πρακτικές εφαρμογές και είναι πιο ανθεκτικά στον φωτισμό, τις γωνίες θέασης κ.λπ.

αντιστοίχιση χαρακτηριστικών

Ταίριασμα του πλησιέστερου γείτονα Knn
Αλγόριθμος αντιστοίχισης FLANN
GMS: Αξιοποίηση πληροφοριών εξομάλυνσης κίνησης για γρήγορη και ισχυρή αντιστοίχιση χαρακτηριστικών, CVPR2017
AdaLAM: Ένας αλγόριθμος εξάλειψης αντιστοίχισης σφαλμάτων που λαμβάνει υπόψη την αντίστοιχη κατανομή σημείων και τη συνοχή συγγένειας και η εικόνα χωρίζεται σε μπλοκ με βάση τον μετασχηματισμό συγγενών RANSAC
SGM-Nets: Ημι-σφαιρική αντιστοίχιση με χρήση νευρωνικών δικτύων, CVPR2017
PointCN: Μετά την αντιστοίχιση ωμής βίας, χρησιμοποιήστε perceptron πολλαπλών επιπέδων για να προτείνετε αντιστοίχιση σφαλμάτων, CVPR2018
SuperGlue Match: Ισχυρή αντιστοίχιση με βάση το νευρωνικό δίκτυο γραφημάτων και τον μηχανισμό προσοχής, CVPR2020
LoFTR: Χρήση του Transformer για τοπική αντιστοίχιση χαρακτηριστικών χωρίς εξαγωγέα χαρακτηριστικών, CVPR2021