論文の概要: TCDesc: Learning Topology Consistent Descriptors for Image Matching
- arxiv url: http://arxiv.org/abs/2009.07036v1
- Date: Sun, 13 Sep 2020 03:32:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 03:17:36.884649
- Title: TCDesc: Learning Topology Consistent Descriptors for Image Matching
- Title（参考訳）: tcdesc: 画像マッチングのための学習トポロジ一貫性記述子
- Authors: Honghu Pan, Fanyang Meng, Nana Fan, Zhenyu He
- Abstract要約: 近傍の一貫性や局所的な一貫性の制約は、堅牢な画像マッチングに広く使用されている。
本稿では,中心記述子とkNN記述子との位相的関係を表す線形結合重みを提案し,中心記述子とkNN記述子との差を最小限に抑える。
適応重み付け手法を用いてトポロジー距離とユークリッド距離を最小化し,三重項損失における2つの距離の重みや注意を自動的に調整する。
- 参考スコア（独自算出の注目度）: 10.541151446468515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The constraint of neighborhood consistency or local consistency is widely
used for robust image matching. In this paper, we focus on learning
neighborhood topology consistent descriptors (TCDesc), while former works of
learning descriptors, such as HardNet and DSM, only consider point-to-point
Euclidean distance among descriptors and totally neglect neighborhood
information of descriptors. To learn topology consistent descriptors, first we
propose the linear combination weights to depict the topological relationship
between center descriptor and its kNN descriptors, where the difference between
center descriptor and the linear combination of its kNN descriptors is
minimized. Then we propose the global mapping function which maps the local
linear combination weights to the global topology vector and define the
topology distance of matching descriptors as l1 distance between their topology
vectors. Last we employ adaptive weighting strategy to jointly minimize
topology distance and Euclidean distance, which automatically adjust the weight
or attention of two distances in triplet loss. Our method has the following two
advantages: (1) We are the first to consider neighborhood information of
descriptors, while former works mainly focus on neighborhood consistency of
feature points; (2) Our method can be applied in any former work of learning
descriptors by triplet loss. Experimental results verify the generalization of
our method: We can improve the performances of both HardNet and DSM on several
benchmarks.
- Abstract（参考訳）: 近傍一貫性や局所一貫性の制約は、ロバストな画像マッチングに広く使われている。
本稿では,近隣位相整合記述子(tcdesc)の学習に着目し,ハードネットやdsmなどの学習記述子では,記述子間の点対点ユークリッド距離と記述子の完全に無視された近傍情報のみを考える。
まず,中心記述子とkNN記述子の位相関係を記述する線形結合重み付けを提案し,中心記述子とkNN記述子の線形結合の差を最小化する。
次に,局所線型結合重みを大域トポロジーベクトルにマッピングし,一致する記述子の位相距離をそれらのトポロジーベクトル間のl1距離として定義するグローバルマッピング関数を提案する。
最後に,位相距離とユークリッド距離を共同で最小化し,三重項損失における2つの距離の重みや注意を自動的に調整する適応重み付け戦略を用いる。
提案手法には,(1)記述子の近傍情報を考慮した最初の方法であり,(2)特徴点の近傍一貫性に着目した先行研究であり,(2)三重項損失による学習記述子の以前の研究にも適用可能である。
いくつかのベンチマークにおいて,hardnet と dsm の両方の性能を向上させることができる。
関連論文リスト
- FUSELOC: Fusing Global and Local Descriptors to Disambiguate 2D-3D Matching in Visual Localization [57.59857784298536]
直接2D-3Dマッチングアルゴリズムでは、メモリが大幅に削減されるが、より大きくあいまいな検索空間のために精度が低下する。
本研究では,2次元3次元探索フレームワーク内の重み付き平均演算子を用いて局所的およびグローバルな記述子を融合させることにより,この曖昧さに対処する。
ローカルのみのシステムの精度を常に改善し、メモリ要求を半減させながら階層的な手法に近い性能を達成する。
論文 参考訳（メタデータ） (2024-08-21T23:42:16Z) - Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds
Registration [22.308070598885532]
我々は、ポイントクラウド登録問題をセマンティックインスタンスマッチングと登録タスクとして扱う。
大規模屋外クラウド登録のためのディープセマンティックグラフマッチング法(DeepSGM)を提案する。
KITTIオドメトリデータセットで行った実験結果から,提案手法が登録性能を向上させることが示された。
論文 参考訳（メタデータ） (2023-08-10T03:07:28Z) - Learning Topology-Preserving Data Representations [9.710409273484464]
位相保存データ表現(次元減少)を学習する手法を提案する。
この手法の中核は、元の高次元データと潜時空間における低次元表現との間の表現トポロジディバージェンス(RTD)の最小化である。
提案手法は, 線形相関, 三重項距離ランキング精度, 永続バーコード間のワッサーシュタイン距離によって測定された, 最先端の競合相手よりも, データ多様体のグローバル構造とトポロジーをよりよく保存する。
論文 参考訳（メタデータ） (2023-01-31T22:55:04Z) - Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。
機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。
我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
論文 参考訳（メタデータ） (2023-01-03T13:51:51Z) - Learning a Task-specific Descriptor for Robust Matching of 3D Point
Clouds [40.81429160296275]
我々は、干渉下での正しい点対応を一貫して記述するために、頑健なタスク固有の特徴記述子を学習する。
EDFNetは2つの側面から発展し,まず,その反復的局所構造を利用して対応性を向上させる。
論文 参考訳（メタデータ） (2022-10-26T17:57:23Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - A persistent homology-based topological loss for CNN-based multi-class
segmentation of CMR [5.898114915426535]
心臓磁気共鳴(CMR)画像のマルチクラスセグメンテーションは、既知の構造と構成を持つ解剖学的構成要素にデータの分離を求める。
最も一般的なCNNベースの手法は、解剖を特徴付ける空間的に拡張された特徴を無視した画素ワイズ損失関数を用いて最適化されている。
これらのアプローチは、全てのクラスラベルとクラスラベルペアのリッチなトポロジカル記述を構築することで、マルチクラスセグメンテーションのタスクに拡張する。
論文 参考訳（メタデータ） (2021-07-27T09:21:38Z) - PointFlow: Flowing Semantics Through Points for Aerial Image
Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。
密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。
3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文 参考訳（メタデータ） (2021-03-11T09:42:32Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳（メタデータ） (2021-03-04T15:34:43Z) - TCDesc: Learning Topology Consistent Descriptors [14.925363493342727]
Triplet Losは画像パッチからローカル記述子を学習するために広く利用されている。
我々はユークリッド距離以外の位相測度を提案し、一貫した記述子を学習する。
本手法は最先端の結果よりも優れた性能を示し,三重項損失の性能を効果的に向上させる。
論文 参考訳（メタデータ） (2020-06-05T06:46:30Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。