Обмен технологиями

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Справочная статья или ссылка

Сопоставление изображений от созданных вручную до глубоких характеристик: опрос
Сопоставление изображений по широкому базовому уровню: от бумаги к практике
Методы регистрации изображений: обзор
Визуальное позиционирование на основе карты

Оценка производительности характерных точек

Справочные документы:

• Оценка эффективности локальных дескрипторов
  
• Приложение СуперПойнт

Повторяемость
Средняя ошибка обнаружения угла
Ошибка позиционирования угла

Короче говоря, хороший экстрактор характерных точек может стабильно и точно извлекать 2D-точки, сформированные путем проецирования 3D-точек в одном и том же пространстве на изображение при различных изменяющихся условиях (таких как угол обзора, освещение и т. д.).

Традиционные функциональные точки и дескрипторы (только функциональные точки или функциональные точки + дескрипторы)

Точки визуальных особенностей изначально были разработаны на основе идей исследователей, таких как SIFT, SURF, ORB и Harris и т. д. В тот же период они также использовались для визуального удара или позиционирования.
[Харрис，1988] ВИНС
[Ши-Томаси, 1994] МоноСЛАМ
[БЫСТРЫЙ,1998] ORB_SLAM, T265 ВИО， MSCKF-VIO, OpenVSLAM, ОКВИС, РОВИО, ПТАМ
[Клякса и уголок]МЯГКИЙ УДАР
[ПРОСЕЯТЬ, 1999] МССКФ
[НЕНОРМАЛЬНЫЙ,2012] Локализация с использованием зрения для наземных роботов

традиционный дескриптор

[КРАТКИЙ, 2010] часто используется в сочетании с быстрыми угловыми точками, такими какORB_SLAM，ЛДСОждать
[БРИК, 2011]: Улучшение BRIEF с инвариантностью к масштабу и вращению.

Ограничения традиционных дескрипторов: они разработаны на основе человеческих ощущений и недостаточно специфичны для компьютеров. Например, они не справляются с изменениями углов освещения и другими изменениями.

Особенности, основанные на глубоком обучении

CovDet
Квад-сети
Аффнет
КейНет
MagicPoint

Дескрипторы, основанные на глубоком обучении

L2Net: Новые режимы выборки и ошибки, CVPR2017
DeepCD: дескрипторы с плавающей запятой и двоичные дескрипторы дополняют друг друга, ICCV2017
Распространение: изучение пространственного распределения дескрипторов, ICCV2017.
HardNet: улучшена ошибка на основе L2Net, NIPS2017.
SoSNet: дескриптор обучения, основанный на регуляризации сходства второго порядка, CVPR2019.
ПОДАРОК: использование наборов групповой свертки для изучения дескрипторов с определенным масштабом и инвариантностью вращения, NIPS2019.
S2DNet: Преобразование обучения дескрипторов в задачу классификации и обучение от разреженного к плотному, ECCV2020
CAPS: обучение дескрипторов с использованием только эпиполярных ограничений.

Характерные точки + дескрипторы на основе глубокого обучения

СуперТочка: Самоконтролируемое изучение характерных точек и дескрипторов, с определенной устойчивостью к освещению, DX-SLAM, CVPR2018.
ПОДНИМАТЬ: Преобразование инвариантных признаков на основе обучения, 2016:
ДИСК: Используйте метод политического градиента в обучении с подкреплением, чтобы научиться извлекать и описывать функции, который имеет определенную устойчивость к слабым областям искусства и науки, NIPS2020.
Р2Д2: Предлагается для обеспечения повторяемости и надежности характерных точек, NeurIPS2019.
D2Net: Локальные функции совместно обнаруживают и описывают обучаемые CNN, CVPR2019.
ASLFeat: Обучение локального дескриптора для точной формы и позиционирования, CVPR2020.

Характерные точки и дескрипторы, основанные на глубоком обучении, часто предлагаются для устранения недостатков традиционных методов в практических приложениях и более устойчивы к освещению, углам обзора и т. д.

сопоставление функций

Соответствие ближайшего соседа Knn
Алгоритм сопоставления FLANN
ГМС: Использование информации о сглаживании движения для быстрого и надежного сопоставления функций, CVPR2017.
АдаЛАМ: Алгоритм устранения ошибок сопоставления, который учитывает соответствующее распределение точек и аффинную согласованность, а изображение делится на блоки на основе аффинного преобразования RANSAC.
SGM-Сети: Полуглобальное сопоставление с использованием нейронных сетей, CVPR2017.
PointCN: после грубого сопоставления используйте многослойный персептрон, чтобы предложить сопоставление ошибок, CVPR2018.
Суперклей Матч: Надежное сопоставление на основе графовой нейронной сети и механизма внимания, CVPR2020.
LoFTR: Использование Transformer для сопоставления локальных объектов без экстрактора объектов, CVPR2021.