प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

सन्दर्भ लेख अथवा लिङ्क

हस्तनिर्मिततः गहनविशेषतापर्यन्तं चित्रमेलनम् : एकः सर्वेक्षणः
विस्तृत आधाररेखासु चित्रमेलनम् : कागदात् अभ्यासपर्यन्तं
चित्रपञ्जीकरणविधयः : एकः सर्वेक्षणः
मानचित्र-आधारित-दृश्य-स्थापनम्

विशेषताबिन्दुप्रदर्शनस्य मूल्याङ्कनम्

सन्दर्भपत्राणि : १.

• स्थानीयवर्णकानां कार्यप्रदर्शनमूल्यांकनम्
  
• सुपरपॉइंट परिशिष्ट

पुनरावृत्तित्वम्
कोणपरिचय औसतदोष
कोणस्थापनदोषः

संक्षेपेण, एकः उत्तमः विशेषताबिन्दुनिष्कासकः भिन्न-भिन्न-परिवर्तन-स्थितौ (यथा दृश्य-कोणः, प्रकाशः इत्यादिषु) एकस्मिन् एव स्थाने 3D-बिन्दून् चित्रे प्रक्षेप्य निर्मितं 2D-बिन्दून् स्थिरतया सटीकतया च निष्कासयितुं शक्नोति

पारम्परिकविशेषताबिन्दवः वर्णकाः च (विशेषताबिन्दवः एव अथवा विशेषताबिन्दवः + वर्णकाः)

दृश्यविशेषताबिन्दवः मूलतः शोधकर्तृणां चिन्तनस्य आधारेण परिकल्पिताः आसन्, यथा SIFT, SURF, ORB तथा Harris इत्यादयः तेषां उपयोगः दृश्यस्लैम् अथवा स्थितिनिर्धारणे अपि तस्मिन् एव काले भवति स्म
[हैरिस्，1988] VINS
[शि-तोमसि, 1994] मोनोस्लाम
[उपवासः,1998] ORB_SLAM इति इति, T265 VIO， MSCKF-VIO, OpenVSLAM इति, ओकेविस्, रोविओ, PTAM
[ब्लोब् एण्ड् कॉर्नर] ।SOFT-SLAM इति
[SIFT, 1999] MSCKF
[मनोलौल्य,2012] भूमि-रोबोट्-कृते दृष्टि-सहायक-स्थानीयीकरणम्

पारम्परिकवर्णकः

[साक्षिप्तं, २०१०] प्रायः द्रुतकोणबिन्दुभिः सह प्रयोगः भवति, यथाORB_SLAM इति इति，एलडीएसओप्रतीक्षतु
[BRISK, 2011]: स्केल तथा घूर्णन अविकारीता सह BRIEF इत्यस्य सुधारः

पारम्परिकवर्णकानां सीमाः : ते मानवीयभावनायाः आधारेण निर्मिताः सन्ति तथा च सङ्गणकानां कृते पर्याप्तविशिष्टाः न सन्ति यथा प्रकाशकोणपरिवर्तनानि अन्यपरिवर्तनानि च सहितुं न शक्नुवन्ति

गहनशिक्षणस्य आधारेण बिन्दवः दर्शयन्तु

CovDet
चतुर्-जालम्
अफ्फनेट
कीनेट
MagicPoint

गहनशिक्षणस्य आधारेण वर्णकाः

L2Net: नवीननमूनाकरणविधानानि त्रुटयः च, CVPR2017
DeepCD: प्लवमानबिन्दुवर्णकाः द्विचक्रीयवर्णकाः च पूरकाः सन्ति, ICCV2017
प्रसारणम् : वर्णकानां स्थानिकवितरणं ज्ञातुं, ICCV2017
HardNet: L2Net, NIPS2017 इत्यस्य आधारेण उन्नतदोषः
SoSNet: द्वितीयक्रमस्य समानता नियमितीकरणस्य आधारेण शिक्षणवर्णकः, CVPR2019
उपहारः : निश्चितपरिमाणेन घूर्णन-अविकारीतया च वर्णकान् ज्ञातुं समूह-संभ्रमण-समूहानां उपयोगः, NIPS2019
S2DNet: वर्णकशिक्षणं वर्गीकरणसमस्यायां परिवर्तयन्तु तथा च विरलतः सघनपर्यन्तं प्रशिक्षयन्तु, ECCV2020
CAPS: केवलं एपिपोलर बाध्यतायाः उपयोगेन वर्णकशिक्षणम्।

गहनशिक्षणस्य आधारेण बिन्दवः + वर्णनकर्तारः विशेषताः

सुपरपॉइंट:स्व-निरीक्षित-विशेषता-बिन्दुः वर्णक-शिक्षणं च, प्रकाशस्य कृते निश्चित-दृढतायाः सह, DX-SLAM, CVPR2018
उन्नयनी: शिक्षण-आधारित-अविकारी-विशेषता-परिवर्तनम्, 2016:
DISK: सुविधानिष्कासनं वर्णनं च ज्ञातुं सुदृढीकरणशिक्षणे नीतिप्रवणपद्धतेः उपयोगं कुर्वन्तु, यस्य दुर्बलकलाविज्ञानक्षेत्रेषु निश्चितं दृढता वर्तते, NIPS2020
R2D2: फीचर बिन्दुनाम् पुनरावृत्त्यर्थं विश्वसनीयतां च प्रस्तावितं, NeurIPS2019
D2Net: स्थानीयविशेषताः संयुक्तरूपेण प्रशिक्षणीयस्य CNN, CVPR2019 इत्यस्य अन्वेषणं कुर्वन्ति, वर्णयन्ति च
ASLFeat इति: सटीक आकारस्य स्थितिनिर्धारणस्य च कृते स्थानीयवर्णकशिक्षणम्, CVPR2020

गहनशिक्षणस्य आधारेण विशेषताबिन्दवः वर्णकाः च प्रायः व्यावहारिकप्रयोगेषु पारम्परिकपद्धतीनां दोषाणां निवारणाय प्रस्ताविताः भवन्ति, तथा च प्रकाशस्य, दृश्यकोणानां इत्यादिषु अधिकं दृढाः भवन्ति

विशेषतामेलनम्

समीपस्थः प्रतिवेशी Knn मेलनं
FLANN मिलान एल्गोरिदम
जी एम एस: द्रुतगतिः सुदृढं च सुविधामेलनार्थं गतिसुचारुकरणसूचनायाः शोषणं, CVPR2017
अदालम्: एकः त्रुटिमेलननिराकरण एल्गोरिदमः यः तत्सम्बद्धं बिन्दुवितरणं तथा च affine संगतिं गृह्णाति, तथा च चित्रं affine परिवर्तनस्य आधारेण खण्डेषु विभक्तं भवति RANSAC
एसजीएम-नेट्स: तंत्रिकाजालस्य उपयोगेन अर्धवैश्विकमेलनम्, CVPR2017
PointCN: ब्रूट फोर्स मैचिंग् इत्यस्य अनन्तरं त्रुटिमेलनस्य प्रस्तावनाय बहु-स्तरीय-पर्सेप्ट्रॉन् इत्यस्य उपयोगं कुर्वन्तु, CVPR2018
सुपरगोंद मिलान: ग्राफ न्यूरल नेटवर्क तथा ध्यान तन्त्र के आधार पर मजबूत मिलान, CVPR2020
LoFTR: विशेषता निष्कर्षकं विना स्थानीयविशेषतामेलनार्थं Transformer इत्यस्य उपयोगः, CVPR2021