기술나눔

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

참고 기사 또는 링크

수작업에서 심층적 특징까지의 이미지 매칭: 조사
광범위한 기준선에 걸친 이미지 매칭: 논문에서 실습까지
이미지 등록 기술: 조사
지도 기반 시각적 위치 지정

특징점 성능 평가

참고 논문:

• 지역 설명자의 성능 평가
  
• 슈퍼포인트 부록

반복성
코너 검출 평균 오차
코너 위치 오류

즉, 좋은 특징점 추출기는 다양한 변화 조건(시야각, 조명 등)에서 동일한 공간의 3차원 점을 이미지에 투영하여 형성된 2차원 점을 안정적이고 정확하게 추출할 수 있습니다.

전통적인 특징점 및 설명자(특징점만 또는 특징점 + 설명자)

시각적 특징점은 원래 SIFT, SURF, ORB, Harris 등 연구자의 사고를 바탕으로 설계되었으며, 같은 기간 시각적 슬램이나 포지셔닝에도 사용되었습니다.
[해리스，1988] 빈스
[시 토마시, 1994] 모노슬램
[빠른,1998] ORB_슬램, T265 비오， MSCKF-VIO, 오픈VSLAM, 오크비스, 로비오, 피탐(PTAM)
[블롭 앤 코너]소프트슬램
[체로 치다, 1999] 주식회사
[괴물,2012] 지상 로봇을 위한 시각 지원 위치 파악

전통적인 설명자

[짧은, 2010]은 다음과 같은 빠른 코너 포인트와 함께 자주 사용됩니다.ORB_슬램，LDSO기다리다
[활발한, 2011]: 규모 및 회전 불변성을 갖춘 BRIEF 개선

기존 설명자의 한계: 인간의 감정을 기반으로 설계되었으며 컴퓨터에 대해 충분히 구체적이지 않습니다. 예를 들어 조명 각도의 변화 및 기타 변화에 대처할 수 없습니다.

딥러닝 기반 특징점

코브데트
쿼드 네트워크
애프넷
키넷
매직포인트

딥러닝 기반 디스크립터

L2Net: 새로운 샘플링 모드 및 오류, CVPR2017
DeepCD: 부동 소수점 설명자와 바이너리 설명자는 상호 보완적입니다. ICCV2017
확산: 디스크립터의 공간 분포 학습, ICCV2017
HardNet: L2Net, NIPS2017 기반 오류 개선
SoSNet: 2차 유사성 정규화에 기반한 학습 설명자, CVPR2019
GIFT: 그룹 컨볼루션 세트를 사용하여 특정 규모 및 회전 불변성을 갖는 설명자 학습, NIPS2019
S2DNet: 설명자 학습을 분류 문제로 변환하고 희소에서 밀도로 학습, ECCV2020
CAPS: 에피폴라 제약 조건만 사용하여 설명자 학습.

딥러닝 기반 특징점 + 설명자

슈퍼포인트:조명에 대한 특정 견고성을 갖춘 자체 지도 특징점 및 설명자 학습, DX-SLAM, CVPR2018
승강기: 학습 기반 불변 특성 변환, 2016:
디스크: 강화학습에서 정책 그래디언트 방법을 사용하여 약한 예술 및 과학 분야에 확실한 견고성을 갖는 특징 추출 및 설명을 학습합니다. NIPS2020
R2D2: 특징점의 반복성과 신뢰성을 위해 제안된 NeurIPS2019
디투넷: 로컬 기능은 훈련 가능한 CNN, CVPR2019를 공동으로 감지하고 설명합니다.
ASLFeat: 정확한 형상과 위치 지정을 위한 로컬 디스크립터 학습, CVPR2020

딥러닝을 기반으로 한 특징점과 설명자는 실제 응용 분야에서 기존 방법의 단점을 해결하기 위해 제안되는 경우가 많으며 조명, 시야각 등에 더욱 강력합니다.

특징 매칭

가장 가까운 이웃 Knn 매칭
FLANN 매칭 알고리즘
지엠에스: 빠르고 강력한 특징 매칭을 위한 모션 스무딩 정보 활용, CVPR2017
아다람: 대응점 분포와 아핀 일관성을 고려하고 아핀 변환을 기반으로 영상을 블록으로 분할하는 에러 매칭 제거 알고리즘 RANSAC
SGM-넷: 신경망을 이용한 반전역 매칭, CVPR2017
PointCN: 무차별 매칭 후 다층 퍼셉트론을 사용하여 오류 매칭 제안, CVPR2018
슈퍼글루 매치: 그래프 신경망과 Attention 메커니즘을 기반으로 한 강력한 매칭, CVPR2020
로프트르: 특징 추출기 없이 로컬 특징 매칭을 위해 Transformer 사용, CVPR2021