Line-Transformers线段描述子(碾压LBD),点 线配合进行视觉定位
干货第一时间送达
今天给大家带来三篇关于视觉定位方向文章,速览一下,感兴趣的同学可阅读论文原文,希望能够给大家带来帮助(国庆长假结束,赶紧看看paper压下躁动的内心...)
1. PL-Loc: 用于视觉定位的上下文感知的线段描述子(碾压LBD),点+线配合进行视觉定位
摘要:除了特征点之外,线特征也为解决机器人和计算机视觉(CV)中的视觉几何问题提供了额外的约束。尽管最近的一些研究使用基于卷积神经网络的线特征描述子,这些算法能够应对一定程度的视点变化或动态环境,但我们认为CNN架构在将可变线条长度抽象为固定维度的描述符方面有先天的缺点。在本文中,我们引入了处理可变线段的Line-Transformers。受自然语言处理(NLP)任务的启发,我们将线段视为一个包含点(词)的句子。通过动态地关注线段上的可描述的点,所提出的描述子在可变长度的线段上表现得非常好。我们还提出了将线的几何属性与邻域共享的线签名网络(line signature networks)。作为群体描述子,这些网络通过理解线条的相对几何形状来增强线条描述子。实验表明,配合使用本文提出的线特征,可以改善带有特征点(点稀疏时有效)的视觉定位任务。
论文:https://arxiv.org/abs/2109.04753[1]
2. 特征点分布不规则?可以试试“高效自适应非极大值抑制算法ANMS”
摘要:特征点检测算法通常会得到大量的关键点,这些关键点大多是聚集的、冗余的以及嘈杂的。这些关键点通常需要特殊处理,如自适应非最大限度抑制(ANMS),以保留最相关的关键点。本文提出了三种新的高效的ANMS方法,确保快速和均匀地重新划分图像中的关键点。为此,为了抑制不相关的点,提出了一个搜索范围的正方形近似算法,从而降低ANMS的计算复杂性。为了进一步提高算法的收敛速度,本文还引入了一种新的策略,根据图像尺寸初始化搜索范围。本算法可有效提高位姿结算的精度,对于SLAM,SFM图像拼接等任务都有帮助。
论文:
(PDF) Efficient adaptive non-maximal suppression algorithms for homogeneous spatial keypoint distribution[2]
代码:
GitHub - BAILOOL/ANMS-Codes[3]
首页
3. HarrisZ:一种用于下一代图像匹配的Harris角点提取算法
摘要:本文介绍了一种角点检测算法 HarrisZ,这是HarrisZ角点检测器的升级版。HarrisZ不仅包括对设置参数的调整,还引入了对 HarrisZ 划定的选择标准的进一步细化,从而可以得到更多的、更加具有鉴别性的关键点,这些关键点在图像上的分布更好,定位精度更高。在最近的图像匹配挑战赛中,HarrisZ拥有较好的图像匹配结果(略落后于深深度学习方法得到的匹配结果)。
论文:https://arxiv.org/abs/2109.12925[4]
Line as a Visual Sentence: Context-aware Line Descriptor for Visual Localization: https://arxiv.org/abs/2109.04753
[2]
Efficient adaptive non-maximal suppression algorithms for homogeneous spatial keypoint distribution: https://www.researchgate.net/publication/323388062_Efficient_adaptive_non-maximal_suppression_algorithms_for_homogeneous_spatial_keypoint_distribution
[3]
GitHub - BAILOOL/ANMS-Codes: Efficient adaptive non-maximal suppression algorithms for homogeneous spatial keypoint distribution: https://github.com/BAILOOL/ANMS-Codes
[4]
HarrisZ+: Harris Corner Selection for Next-Gen Image Matching Pipelines: https://arxiv.org/abs/2109.12925