Berbagi teknologi

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Artikel referensi atau tautan

Pencocokan Gambar dari Buatan Tangan hingga Fitur Mendalam: Sebuah Survei
Pencocokan Gambar di Berbagai Baseline: Dari Makalah hingga Praktik
Teknik Registrasi Gambar: Sebuah Survei
Pemosisian visual berbasis peta

Evaluasi kinerja titik fitur

Makalah referensi:

• Evaluasi kinerja deskriptor lokal
  
• Lampiran SuperPoint

Pengulangan
Kesalahan rata-rata deteksi sudut
Kesalahan posisi sudut

Singkatnya, ekstraktor titik fitur yang baik dapat secara stabil dan akurat mengekstraksi titik 2D yang dibentuk dengan memproyeksikan titik 3D di ruang yang sama ke gambar dalam kondisi perubahan yang berbeda (seperti sudut pandang, pencahayaan, dll.).

Poin fitur dan deskriptor tradisional (hanya poin fitur atau poin fitur + deskriptor)

Titik fitur visual awalnya dirancang berdasarkan pemikiran peneliti, seperti SIFT, SURF, ORB dan Harris, dll. Titik fitur tersebut juga digunakan dalam visual slam atau positioning pada periode yang sama.
[Haris，1988] ANGGUR
[Shi Tomasi, 1994] SLAM tunggal
[CEPAT,1998] ORB_SLAM, T265 VIO， MSCKF-VIO, BukaVSLAM, OKVIS, Bahasa Indonesia: ROVIO, PTAM
[Blob dan Sudut]BANTING LEMBUT
[MENYARING, 1999] MSCKF
[ORANG ANEH,2012] Lokalisasi Berbantuan Penglihatan untuk Robot Darat

deskriptor tradisional

[SINGKAT, 2010] sering digunakan bersamaan dengan titik sudut cepat, sepertiORB_SLAM，LDSOTunggu
[CEPAT, 2011]: Peningkatan SINGKAT dengan invarian skala dan rotasi

Keterbatasan deskriptor tradisional: Deskriptor ini dirancang berdasarkan perasaan manusia dan tidak cukup spesifik untuk komputer, misalnya tidak dapat mengatasi perubahan sudut pencahayaan dan perubahan lainnya.

Poin fitur berdasarkan pembelajaran mendalam

CovDet
Jaringan Quad
Jaringan Aff
Jaringan Kunci
Titik Ajaib

Deskriptor berdasarkan pembelajaran mendalam

L2Net: Mode dan kesalahan pengambilan sampel baru, CVPR2017
DeepCD: Deskriptor floating point dan deskriptor biner saling melengkapi, ICCV2017
Spread-out: Mempelajari distribusi deskriptor spasial, ICCV2017
HardNet: Peningkatan kesalahan berdasarkan L2Net, NIPS2017
SoSNet: Deskriptor pembelajaran berdasarkan regularisasi kesamaan orde kedua, CVPR2019
HADIAH: Menggunakan kumpulan konvolusi grup untuk mempelajari deskriptor dengan skala dan invarian rotasi tertentu, NIPS2019
S2DNet: Ubah pembelajaran deskriptor menjadi masalah klasifikasi dan latih dari jarang menjadi padat, ECCV2020
CAPS: Pembelajaran deskriptor hanya menggunakan batasan epipolar.

Poin fitur + deskriptor berdasarkan pembelajaran mendalam

Titik Super: Titik fitur dan pembelajaran deskriptor yang diawasi sendiri, dengan ketahanan tertentu terhadap pencahayaan, DX-SLAM, CVPR2018
MENGANGKAT: Transformasi fitur invarian berbasis pembelajaran, 2016:
CAKRAM: Gunakan metode gradien kebijakan dalam pembelajaran penguatan untuk mempelajari ekstraksi dan deskripsi fitur, yang memiliki ketahanan tertentu pada bidang seni dan sains yang lemah, NIPS2020
Bahasa Indonesia: R2D2: Diusulkan untuk pengulangan dan keandalan titik fitur, NeurIPS2019
D2Net: Fitur lokal bersama-sama mendeteksi dan mendeskripsikan CNN yang dapat dilatih, CVPR2019
Kekalahan ASLF: Pembelajaran deskriptor lokal untuk bentuk dan posisi yang tepat, CVPR2020

Poin fitur dan deskriptor berdasarkan pembelajaran mendalam sering kali diusulkan untuk mengatasi kekurangan metode tradisional dalam aplikasi praktis, dan lebih kuat terhadap pencahayaan, sudut pandang, dll.

pencocokan fitur

Tetangga terdekat yang cocok dengan Knn
Algoritma pencocokan FLANN
Rapat Umum Pemegang Saham (RUPS): Memanfaatkan informasi penghalusan gerakan untuk pencocokan fitur yang cepat dan tangguh, CVPR2017
AdaLAM: Algoritme penghapusan pencocokan kesalahan yang memperhitungkan distribusi titik yang sesuai dan konsistensi affine, dan gambar dibagi menjadi beberapa blok berdasarkan transformasi affine RANSAC
Jaringan SGM: Pencocokan semi-global menggunakan jaringan saraf, CVPR2017
PointCN: Setelah pencocokan brute force, gunakan perceptron multi-layer untuk mengusulkan pencocokan kesalahan, CVPR2018
Pertandingan Lem Super: Pencocokan yang kuat berdasarkan jaringan saraf grafik dan mekanisme perhatian, CVPR2020
LoFTR: Menggunakan Transformer untuk pencocokan fitur lokal tanpa ekstraktor fitur, CVPR2021