論文の概要: Searching from Area to Point: A Hierarchical Framework for Semantic-Geometric Combined Feature Matching
- arxiv url: http://arxiv.org/abs/2305.00194v5
- Date: Thu, 2 May 2024 03:19:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 22:49:30.955877
- Title: Searching from Area to Point: A Hierarchical Framework for Semantic-Geometric Combined Feature Matching
- Title（参考訳）: 地域から地点まで:意味的・幾何学的複合特徴マッチングのための階層的枠組み
- Authors: Yesheng Zhang, Xu Zhao, Dahong Qian,
- Abstract要約: 我々は,特徴的意味領域マッチングを含むマッチング画像領域として,点マッチングの初期探索空間を設定した。
この検索空間は、有意な特徴による点マッチングを好んでおり、最近のTransformerベースのマッチング手法の精度制限を緩和している。
本稿では、画像間のセマンティックな領域マッチングを最初に見つけるために、A2PM(Area to Point Matching)という階層的な特徴マッチングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 15.781946287115561
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature matching is a crucial technique in computer vision. A unified perspective for this task is to treat it as a searching problem, aiming at an efficient search strategy to narrow the search space to point matches between images. One of the key aspects of search strategy is the search space, which in current approaches is not carefully defined, resulting in limited matching accuracy. This paper, thus, pays attention to the search space and proposes to set the initial search space for point matching as the matched image areas containing prominent semantic, named semantic area matches. This search space favors point matching by salient features and alleviates the accuracy limitation in recent Transformer-based matching methods. To achieve this search space, we introduce a hierarchical feature matching framework: Area to Point Matching (A2PM), to first find semantic area matches between images and later perform point matching on area matches. We further propose Semantic and Geometry Area Matching (SGAM) method to realize this framework, which utilizes semantic prior and geometry consistency to establish accurate area matches between images. By integrating SGAM with off-the-shelf state-of-the-art matchers, our method, adopting the A2PM framework, achieves encouraging precision improvements in massive point matching and pose estimation experiments.
- Abstract（参考訳）: 特徴マッチングはコンピュータビジョンにおいて重要な技術である。
本課題の統一的な視点は,検索空間を狭め,画像間のマッチングを指示する効率的な探索戦略を目指して,探索問題として扱うことである。
検索戦略の重要な側面の1つは検索空間であり、現在のアプローチでは慎重に定義されていないため、マッチング精度が制限されている。
そこで本論文では,探索空間に注意を払って,特徴的意味領域マッチングを含むマッチング画像領域として,点マッチングの初期探索空間を設定することを提案する。
この検索空間は、有意な特徴による点マッチングを好んでおり、最近のTransformerベースのマッチング手法の精度制限を緩和している。
この検索空間を実現するために、まず画像間のセマンティックな領域マッチングを見つけ、その後、エリアマッチングでポイントマッチングを行うための階層的な特徴マッチングフレームワーク、A2PM(Area to Point Matching)を導入する。
さらに、セマンティック・幾何学領域マッチング(SGAM)手法を提案し、画像間の正確な領域マッチングを確立するために、セマンティック・幾何学領域マッチング(Semantic and Geometry Area Matching, SGAM)手法を提案する。
SGAMを既製の最先端のマッカーと統合することにより,A2PMフレームワークを応用し,大規模点マッチングにおける精度向上とポーズ推定実験を実現する。
関連論文リスト
- A Feature Matching Method Based on Multi-Level Refinement Strategy [11.300618381337777]
実験により、KTGP-ORB法は、照明のバリエーションと曖昧さのある複雑なシーンにおいて、ORBアルゴリズムと比較して誤差を平均29.92%削減することを示した。
論文 参考訳（メタデータ） (2024-02-21T02:57:27Z) - MESA: Matching Everything by Segmenting Anything [16.16319526547664]
MESAは、精度の高い領域(または領域)マッチングを確立するための新しいアプローチである。
室内および屋外の下流作業において,MESAが複数点整合器の精度を大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-01-30T04:39:32Z) - Learning-based Relational Object Matching Across Views [63.63338392484501]
本稿では,RGB画像間のオブジェクト検出をマッチングするための,局所キーポイントと新たなオブジェクトレベルの特徴を組み合わせた学習ベースアプローチを提案する。
我々は、連想グラフニューラルネットワークにおいて、オブジェクト間の外観とフレーム間およびフレーム間空間関係に基づいて、オブジェクトレベルのマッチング機能を訓練する。
論文 参考訳（メタデータ） (2023-05-03T19:36:51Z) - Location-Aware Self-Supervised Transformers [74.76585889813207]
画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。
参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。
実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
論文 参考訳（メタデータ） (2022-12-05T16:24:29Z) - A Geometrically Constrained Point Matching based on View-invariant
Cross-ratios, and Homography [2.050924050557755]
ビュー不変クロス比(CR)に基づく初期一致SIFTキーポイントの正当性検証のための幾何学的制約付きアルゴリズムを提案する。
これらのキーポイントからペンタゴンをランダムに形成し、画像間の形状と位置をCRとマッチングすることにより、堅牢な平面領域推定を効率的に行うことができる。
実験結果から,複数平面領域の複数シーンで良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-11-06T01:55:35Z) - ASpanFormer: Detector-Free Image Matching with Adaptive Span Transformer [33.603064903549985]
ASpanFormerはトランスフォーマーベースのディテクターフリーのマーカで、階層的なアテンション構造の上に構築されている。
本稿では,自己適応的に注意範囲を調整できる新しい注意操作を提案する。
これらの方法により、長距離依存を維持できるだけでなく、高関連性の画素間で微妙な注意を喚起することができる。
論文 参考訳（メタデータ） (2022-08-30T12:21:15Z) - Dense Siamese Network [86.23741104851383]
本稿では,Dense Siamese Network(DenseSiam)を提案する。
画像の2つのビュー間の類似性を最大化し、ピクセルの一貫性と領域の一貫性という2種類の一貫性を学習する。
最先端のセグメンテーション手法を2.1 mIoUで28%のトレーニングコストで上回っている。
論文 参考訳（メタデータ） (2022-03-21T15:55:23Z) - Exploring Complicated Search Spaces with Interleaving-Free Sampling [127.07551427957362]
本稿では,長距離接続を伴う複雑な検索空間上に探索アルゴリズムを構築する。
我々はtextbfIF-NAS という単純なアルゴリズムを提案し、異なるサブネットワークを構築するために周期的なサンプリング戦略を実行する。
提案した探索空間において、IF-NASはランダムサンプリングと従来の重み付け検索のアルゴリズムを有意差で上回っている。
論文 参考訳（メタデータ） (2021-12-05T06:42:48Z) - SIFT Matching by Context Exposed [7.99536002595393]
本稿では、マッチングコンテキスト情報を利用して、ローカル画像記述子マッチングをステップアップする方法を検討する。
新しいマッチング戦略と,それぞれにブロブマッチング(blob matching)とデラウネー三角法マッチング(Delaunay Triangulation Matching, DTM)と呼ばれる新しい局所空間フィルタが考案された。
DTMは、特に非平面シーンにおいて、精度とロバストさの整合性の観点から、最先端技術よりも同等か優れている。
論文 参考訳（メタデータ） (2021-06-17T15:10:59Z) - Affinity Space Adaptation for Semantic Segmentation Across Domains [57.31113934195595]
本稿では,意味的セグメンテーションにおける教師なしドメイン適応(UDA)の問題に対処する。
ソースドメインとターゲットドメインが不変なセマンティック構造を持つという事実に触発され、ドメイン間におけるそのような不変性を活用することを提案する。
親和性空間適応戦略として,親和性空間の洗浄と親和性空間アライメントという2つの方法を開発した。
論文 参考訳（メタデータ） (2020-09-26T10:28:11Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z)
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。