Condivisione della tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Articolo o collegamento di riferimento

Corrispondenza delle immagini da funzionalità artigianali a funzionalità approfondite: un sondaggio
Corrispondenza delle immagini su ampie linee di base: dalla carta alla pratica
Tecniche di registrazione delle immagini: un sondaggio
Posizionamento visivo basato su mappa

Valutazione delle prestazioni dei punti caratteristici

Documenti di riferimento:

• Una valutazione delle prestazioni dei descrittori locali
  
• Appendice SuperPoint

Ripetibilità
Errore medio nel rilevamento degli angoli
Errore di posizionamento dell'angolo

In breve, un buon estrattore di punti caratteristici può estrarre in modo stabile e accurato punti 2D formati proiettando punti 3D nello stesso spazio sull'immagine in diverse condizioni mutevoli (come angolo di visione, illuminazione, ecc.).

Punti caratteristici e descrittori tradizionali (solo punti caratteristici o punti caratteristici + descrittori)

I punti caratteristici visivi sono stati originariamente progettati in base al pensiero dei ricercatori, come SIFT, SURF, ORB e Harris, ecc. Sono stati utilizzati anche nello slam visivo o nel posizionamento durante lo stesso periodo.
[L'Harris，1988] VINI
[Shi Tomasi, 1994] MonoSLAM
[VELOCE,1998] ORB_SLAM, T265 VIOLETTO， MSCKF-VII, Aprire VSLAM, OKVIS, ROVIO, PTAM
[Macchia e Angolo]SOFT-SLAM
[VAGLIARE, 1999] MSCKF
[CAPRICCIO,2012] Localizzazione assistita dalla visione per robot terrestri

descrittore tradizionale

[BREVE, 2010] è spesso usato insieme a punti d'angolo veloci, comeORB_SLAM，LDSOAspettare
[VIVACE, 2011]: Un miglioramento del BRIEF con invarianza di scala e rotazione

Limitazioni dei descrittori tradizionali: sono progettati in base ai sentimenti umani e non sono sufficientemente specifici per i computer. Ad esempio, non possono far fronte ai cambiamenti negli angoli di illuminazione e ad altri cambiamenti.

Punti caratteristici basati sul deep learning

CovDet
Reti quadre
AffiNet
ChiaveNet
Punto magico

Descrittori basati sul deep learning

L2Net: Nuove modalità ed errori di campionamento, CVPR2017
DeepCD: i descrittori in virgola mobile e i descrittori binari sono complementari, ICCV2017
Distribuzione: apprendimento della distribuzione spaziale dei descrittori, ICCV2017
HardNet: errore migliorato basato su L2Net, NIPS2017
SoSNet: descrittore di apprendimento basato sulla regolarizzazione della similarità del secondo ordine, CVPR2019
REGALO: utilizzo di set di convoluzione di gruppo per apprendere descrittori con determinata invarianza di scala e rotazione, NIPS2019
S2DNet: convertire l'apprendimento dei descrittori in un problema di classificazione e addestrarlo da scarso a denso, ECCV2020
CAPS: apprendimento dei descrittori utilizzando solo vincoli epipolari.

Punti caratteristici + descrittori basati sul deep learning

SuperPunto:Apprendimento auto-supervisionato di punti caratteristici e descrittori, con una certa robustezza all'illuminazione, DX-SLAM, CVPR2018
SOLLEVARE: Trasformazione delle caratteristiche invarianti basata sull'apprendimento, 2016:
DISCO: Utilizzare il metodo del gradiente politico nell'apprendimento per rinforzo per apprendere l'estrazione e la descrizione delle caratteristiche, che ha una certa robustezza per le aree artistiche e scientifiche deboli, NIPS2020
R2D2: Proposto per la ripetibilità e l'affidabilità dei punti caratteristici, NeurIPS2019
D2Net: Le caratteristiche locali rilevano e descrivono congiuntamente la CNN addestrabile, CVPR2019
ASLFeat: Apprendimento dei descrittori locali per forma e posizionamento precisi, CVPR2020

Punti caratteristici e descrittori basati sull'apprendimento profondo vengono spesso proposti per affrontare le carenze dei metodi tradizionali nelle applicazioni pratiche e sono più robusti rispetto all'illuminazione, agli angoli di visione, ecc.

corrispondenza delle funzionalità

Corrispondenza Knn del vicino più vicino
Algoritmo di corrispondenza FLANN
GMS: Sfruttare le informazioni di livellamento del movimento per una corrispondenza delle funzionalità rapida e solida, CVPR2017
AdaLAM: Un algoritmo di eliminazione della corrispondenza degli errori che tiene conto della distribuzione dei punti corrispondenti e della consistenza affine e l'immagine viene divisa in blocchi in base alla trasformazione affine RANSAC
Reti SGM: Corrispondenza semi-globale utilizzando reti neurali, CVPR2017
PointCN: dopo la corrispondenza della forza bruta, utilizzare il percettrone multistrato per proporre la corrispondenza degli errori, CVPR2018
Partita di supercolla: Corrispondenza robusta basata sulla rete neurale del grafico e sul meccanismo di attenzione, CVPR2020
LoFTR: Utilizzo di Transformer per la corrispondenza delle funzionalità locali senza estrattore di funzionalità, CVPR2021