有没有做网站源代码修改的,做的网站浏览的越多越挣钱,网站迁移 域名设置,简单的广告设计怎么做视觉SLAM中的特征点及匹配 参考文章或链接特征点性能的评估传统特征点和描述子#xff08;仅特征点或者特征点描述子#xff09;传统描述子 基于深度学习的特征点基于深度学习的描述子基于深度学习的特征点描述子特征匹配 参考文章或链接
Image Matching from Handcrafted t… 视觉SLAM中的特征点及匹配 参考文章或链接特征点性能的评估传统特征点和描述子仅特征点或者特征点描述子传统描述子 基于深度学习的特征点基于深度学习的描述子基于深度学习的特征点描述子特征匹配 参考文章或链接
Image Matching from Handcrafted to Deep Features: A Survey Image Matching across Wide Baselines: From Paper to Practice Image Registration Techniques: A Survey 基于地图的视觉定位
特征点性能的评估
参考论文
A performance evaluation of local descriptors SuperPoint附录
重复率(repeatability) 角点检测平均误差 角点定位误差
简而言之 一个好的特征点提取器 在不同变化条件下如视角、光照等都能稳定准确地提取到同一空间3D点投影到图片上形成的2D点。
传统特征点和描述子仅特征点或者特征点描述子
视觉特征点刚开始都是基于研究者思考而设计的比如SIFT SURFORB和Harris等它们也被用于同一时期的视觉slam或定位中。 [Harris1988] VINS [Shi-Tomasi, 1994] MonoSLAM [FAST,1998] ORB_SLAM, T265 VIO MSCKF-VIO, OpenVSLAM, OKVIS, ROVIO, PTAM [Blob and Corner] SOFT-SLAM [SIFT, 1999] MSCKF [FREAK,2012] Vision-Aided Localization For Ground Robots
传统描述子
[BRIEF, 2010] 与fast角点配合使用比较多 如ORB_SLAMLDSO等 [BRISK, 2011]:BRIEF的改进具有尺度和旋转不变性
传统描述子的局限性从人的感觉出发设计的对计算机而言特异性不足如无法应对光照视角等变化。
基于深度学习的特征点
CovDet Quad-networks AffNet KeyNet MagicPoint
基于深度学习的描述子
L2Net: 新的采样模式及误差 CVPR2017 DeepCD:浮点描述子与二值描述子互补ICCV2017 Spread-out学习描述子的空间分布ICCV2017 HardNet:基于L2Net的改进误差 NIPS2017 SoSNet:基于二阶相似性正则化的学习型描述子CVPR2019 GIFT采用群卷集学习具有一定尺度和旋转不变性的描述子NIPS2019 S2DNet将描述子学习转化为分类问题并采用由稀疏到稠密的方式进行训练ECCV2020 CAPS仅采用极线约束进行描述子学习。
基于深度学习的特征点描述子
SuperPoint:自监督特征点与描述子学习对光照具有一定鲁棒性 DX-SLAMCVPR2018 LIFT:基于学习的不变特征变换2016: DISK采用强化学习中的策略梯度法学习特征提取和描述 对弱文理区域具有一定鲁棒性NIPS2020 R2D2针对特征点的可重复性和可靠性提出NeurIPS2019 D2Net局部特征共同检测与描述可训练的CNNCVPR2019 ASLFeat精确形状与定位的局部描述子学习CVPR2020
基于深度学习的特征点及描述子往往是针对传统方法在实际应用中不足而提出的其对光照、视角等的鲁棒性更加。
特征匹配
最近邻Knn匹配 FLANN匹配算法 GMS利用运动平滑信息进行快速和鲁棒的特征匹配CVPR2017 AdaLAM兼顾对应点分布和仿射一致性的错误匹配剔除算法图像分块做基于仿射变换RANSAC SGM-Nets使用神经网络进行半全局匹配CVPR2017 PointCN经过暴力匹配后利用多层感知机提出错误匹配CVPR2018 SuperGlue匹配基于图神经网络和注意力机制的鲁棒匹配CVPR2020 LoFTR利用Transformer进行无特征提取器的局部特征匹配CVPR2021
