Mi informacion de contacto
Correo[email protected]
2024-07-12
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Comparación de imágenes desde las más elaboradas hasta las más complejas: una encuesta
Correspondencia de imágenes en líneas base amplias: del papel a la práctica
Técnicas de registro de imágenes: una encuesta
Posicionamiento visual basado en mapas
Artículos de referencia:
Repetibilidad
Error promedio de detección de esquinas
Error de posicionamiento de esquina
En resumen, un buen extractor de puntos característicos puede extraer de manera estable y precisa puntos 2D formados proyectando puntos 3D en el mismo espacio sobre la imagen bajo diferentes condiciones cambiantes (como ángulo de visión, iluminación, etc.).
Los puntos de características visuales se diseñaron originalmente basándose en el pensamiento de los investigadores, como SIFT, SURF, ORB y Harris, etc. También se utilizaron en visual slam o posicionamiento durante el mismo período.
[Harris,1988] VINS
[Shi-Tomasi, 1994] MonoSLAM
[RÁPIDO,1998] ORB_SLAM, T265 VIO, MSCKF-VIO, VSLAM abierto, OKVIS, ROVIO, PTAM
[Blob y esquina]GOLPE SUAVE
[TAMIZAR, 1999] MSCFC
[FENÓMENO,2012] Localización asistida por visión para robots terrestres
[BREVE, 2010] se utiliza a menudo junto con puntos de esquina rápidos, comoORB_SLAM,LDSOesperar
[ENÉRGICO, 2011]: Una mejora de BRIEF con invariancia de escala y rotación
Limitaciones de los descriptores tradicionales: están diseñados en función de los sentimientos humanos y no son lo suficientemente específicos para las computadoras. Por ejemplo, no pueden hacer frente a cambios en los ángulos de iluminación y otros cambios.
Detección de CoV
Redes cuádruples
Red de afiliados
Red de claves
Punto mágico
L2Net: Nuevos modos de muestreo y errores, CVPR2017
DeepCD: los descriptores de coma flotante y los descriptores binarios son complementarios, ICCV2017
Spread-out: Aprendizaje de la distribución espacial de descriptores, ICCV2017
HardNet: Error mejorado basado en L2Net, NIPS2017
SoSNet: descriptor de aprendizaje basado en regularización de similitud de segundo orden, CVPR2019
REGALO: Uso de conjuntos de convolución grupal para aprender descriptores con cierta invariancia de escala y rotación, NIPS2019
S2DNet: convierta el aprendizaje de descriptores en un problema de clasificación y entrene de escaso a denso, ECCV2020
CAPS: Aprendizaje de descriptores utilizando únicamente restricciones epipolares.
Superpunto:Aprendizaje autosupervisado de puntos característicos y descriptores, con cierta solidez a la iluminación, DX-SLAM, CVPR2018
ELEVAR: Transformación de características invariantes basada en el aprendizaje, 2016:
DISCO: Utilice el método de gradiente de políticas en el aprendizaje por refuerzo para aprender a extraer y describir características, que tiene cierta solidez en áreas débiles de artes y ciencias, NIPS2020
R2D2: Propuesto para la repetibilidad y confiabilidad de puntos característicos, NeurIPS2019
D2Net: Las características locales detectan y describen conjuntamente CNN entrenable, CVPR2019
ASLganancia: Aprendizaje de descriptores locales para forma y posicionamiento precisos, CVPR2020
A menudo se proponen puntos característicos y descriptores basados en el aprendizaje profundo para abordar las deficiencias de los métodos tradicionales en aplicaciones prácticas y son más sólidos para la iluminación, los ángulos de visión, etc.
Coincidencia de Knn del vecino más cercano
Algoritmo de coincidencia FLANN
GMS: Explotación de la información de suavizado de movimiento para una coincidencia de funciones rápida y sólida, CVPR2017
Adala: Un algoritmo de eliminación de coincidencias de errores que tiene en cuenta la distribución de puntos correspondiente y la coherencia afín, y la imagen se divide en bloques según la transformación afín RANSAC
Redes SGM: Coincidencia semiglobal mediante redes neuronales, CVPR2017
PointCN: después de la coincidencia de fuerza bruta, utilice un perceptrón multicapa para proponer una coincidencia de errores, CVPR2018
Combinación de superpegamento: Coincidencia sólida basada en una red neuronal gráfica y un mecanismo de atención, CVPR2020
LoFTR: Uso de Transformer para la coincidencia de funciones locales sin extractor de funciones, CVPR2021