题目: Reinforced Feature Points: Optimizing Feature Detection and Description for a High-Level Task

摘要: 我们解决了计算机视觉的一个核心问题:图像匹配的二维特征点的检测和描述。在很长一段时间里,手工制作的设计,比如SIFT筛选算法,在准确性和效率上都是无与伦比的。近年来出现了利用神经网络实现检测和描述的学习型特征检测器。训练这些网络通常采用优化低的匹配分数的方法,通常预先定义一组图像补丁,哪些应该匹配,哪些不应该匹配,哪些不应该包含关键点。然而,提高这些低的匹配分数的准确性并不一定意味着在难度大的视觉任务中有更好的表现。我们提出了一种新的训练方法,该方法将特征检测器嵌入到完整的视觉管道中,并以端到端的方式对可学习参数进行训练。我们利用强化学习的原理克服了关键点选择和描述符匹配的离散性。作为一个例子,我们解决了一对图像之间的相对姿态估计问题。我们证明了一个基于状态学习的特征检测器的准确性可以在测试时通过训练来完成它应该解决的任务。我们的训练方法对学习任务几乎没有限制,适用于任何能够预测关键点热图和关键点位置描述符的体系结构。

成为VIP会员查看完整内容
48

相关内容

CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写,即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【泡泡图灵智库】Detect-SLAM:目标检测和SLAM相互收益
泡泡机器人SLAM
13+阅读 · 2019年6月28日
【泡泡图灵智库】鲁邦的多层次大范围定位算法(CVPR)
【泡泡图灵智库】基于几何一致性网络的摄像机运动估计
论文笔记之Feature Selective Networks for Object Detection
统计学习与视觉计算组
21+阅读 · 2018年7月26日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
Arxiv
7+阅读 · 2018年12月5日
Polarity Loss for Zero-shot Object Detection
Arxiv
3+阅读 · 2018年11月22日
Multi-task Deep Reinforcement Learning with PopArt
Arxiv
4+阅读 · 2018年9月12日
Arxiv
3+阅读 · 2018年6月14日
Arxiv
4+阅读 · 2018年3月19日
VIP会员
相关VIP内容
相关资讯
【泡泡图灵智库】Detect-SLAM:目标检测和SLAM相互收益
泡泡机器人SLAM
13+阅读 · 2019年6月28日
【泡泡图灵智库】鲁邦的多层次大范围定位算法(CVPR)
【泡泡图灵智库】基于几何一致性网络的摄像机运动估计
论文笔记之Feature Selective Networks for Object Detection
统计学习与视觉计算组
21+阅读 · 2018年7月26日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
微信扫码咨询专知VIP会员