技術共有

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

参考記事またはリンク

手作りからディープフィーチャーまで画像マッチング: 調査
幅広いベースラインにわたる画像マッチング: 論文から実践へ
画像登録技術: 調査
地図ベースの視覚的な位置決め

特徴点性能の評価

参考文献：

• ローカル記述子の性能評価
  
• スーパーポイント付録

再現性
コーナー検出平均誤差
コーナー位置決め誤差

つまり、優れた特徴点抽出器は、異なる変化条件（視野角、照明など）の下で、同じ空間内の 3D 点を画像上に投影して形成される 2D 点を安定して正確に抽出できます。

従来の特徴点と記述子（特徴点のみ、または特徴点 + 記述子）

視覚特徴点はもともとSIFT、SURF、ORB、Harrisなどの研究者の考え方に基づいて設計されており、同時期に視覚スラムやポジショニングにも使用されました。
[ハリス，1988] ワイン
[シ・トマシ, 1994] モノスラム
[速い,1998] ORB_SLAM, T265VIO， MSCKF-VIO, オープンVSLAM, オクヴィス, ロビオ, PTAM
[ブロブとコーナー]ソフトスラム
[シフト, 1999] ＭＳＫＦ
[フリーク,2012] 地上ロボットの視覚支援による位置特定

従来の記述子

[簡単な, 2010] は、次のような高速コーナー ポイントと組み合わせてよく使用されます。ORB_SLAM，LDSO待って
[ブリスク、2011]: スケールと回転の不変性を備えた BRIEF の改良

従来の記述子の限界: 記述子は人間の感情に基づいて設計されており、たとえば、照明角度の変化やその他の変化に十分に対応できません。

深層学習に基づく特徴点

コロナウイルス感染症
クアッドネットワーク
アフネット
キーネット
マジックポイント

深層学習に基づく記述子

L2Net: 新しいサンプリング モードとエラー、CVPR2017
DeepCD: 浮動小数点記述子とバイナリ記述子は補完的です、ICCV2017
スプレッドアウト: 記述子の空間分布の学習、ICCV2017
HardNet: L2Net、NIPS2017 に基づいてエラーを改善
SoSNet: 二次類似性正則化に基づく学習記述子、CVPR2019
GIFT: グループ畳み込みセットを使用して、特定のスケールと回転不変性を持つ記述子を学習する、NIPS2019
S2DNet: 記述子の学習を分類問題に変換し、スパースからデンスへトレーニングする、ECCV2020
CAPS: エピポーラ制約のみを使用した記述子の学習。

深層学習に基づく特徴点 + 記述子

スーパーポイント:照明に対する一定の堅牢性を備えた自己教師あり特徴点および記述子学習、DX-SLAM、CVPR2018
リフト: 学習ベースの不変特徴量変換、2016:
ディスク: 強化学習におけるポリシー勾配法を利用して特徴抽出と記述を学習し、苦手な文理分野にも一定の堅牢性を持たせる、NIPS2020
R2D2: 特徴点の再現性と信頼性を提案、NeurIPS2019
D2ネット: ローカル特徴量が共同でトレーニング可能な CNN を検出して記述する、CVPR2019
ASLフィート: 正確な形状と位置決めのためのローカル記述子の学習、CVPR2020

深層学習に基づく特徴点と記述子は、実際のアプリケーションにおける従来の方法の欠点に対処するために提案されることが多く、照明や視野角などに対してより堅牢です。

特徴マッチング

最近傍 Knn マッチング
FLANN マッチングアルゴリズム
グローバル: モーション スムージング情報を活用して高速かつ堅牢な特徴マッチングを実現、CVPR2017
アダラム: 対応点分布とアフィン一貫性を考慮したエラーマッチング除去アルゴリズムであり、アフィン変換に基づいて画像をブロックに分割します RANSAC
SGM-ネット: ニューラルネットワークを用いたセミグローバルマッチング、CVPR2017
PointCN: ブルート フォース マッチングの後、多層パーセプトロンを使用してエラー マッチングを提案する、CVPR2018
スーパーグルーマッチ: グラフニューラルネットワークとアテンションメカニズムに基づく堅牢なマッチング、CVPR2020
ロFTR: 特徴抽出器を使用せずにローカル特徴マッチングに Transformer を使用する、CVPR2021