网站设计方法,做服装外单的网站,吴川网站建设,站外推广网站1、DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization
论文链接 代码链接 这是一篇训练点云的文章#xff0c;在训练出local descriptor之后#xff0c;通过聚类的方法得出global descriptor#xff0c;并且提出了hierarchical network在训练出local descriptor之后通过聚类的方法得出global descriptor并且提出了hierarchical network使得local descriptor和global descriptor可以通过一个网络得到通过共享计算降低了网络的复杂度从而加快计算和训练。
2、RoRD: Rotation-Robust Descriptors and Orthographic Views for Local Feature Matching
论文链接 代码链接未完成 使用VGG作为主干网络然后一半使用D2-net另一半使用RoRD网络RoRD网络会给原始图片一个较大的旋转以提高所训练出的描述子的旋转不变性D2-net可以保证在旋转较小或者没有旋转的时候描述子依然可以很好地进行匹配。然后整合两种描述子。
3、DF-SLAM: A Deep-Learning Enhanced Visual SLAM System based on Deep Local Features
论文链接 未找到相关代码 主要思想Tfeat论文链接、代码链接结构Hardnet论文链接提出的negative mining strategy
loss function:
采样策略通过L2成对距离矩阵在批次中选择最接近的不匹配patch。首先是生成一堆匹配好的局部patch对一块patch中的指定anchor只能一个可以匹配的patch。定义距离矩阵DdijD{d_{ij}}Ddij.表示第iii个anchor patch描述子到第jjj个postive patch描述子。 从而hardest negative patch distance可以通过下式进行计算 dnmin(akmin,pjmin)d_nmin(a_{k_{min}},p_{j_{min}}) dnmin(akmin,pjmin) 这里akmina_{k_{min}}akmin表示到anchor patch最近的patchpjminp_{j_{min}}pjmin表示到positive patch最近的patch。 从而定义损失函数 这里aia_iai表示anchor描述子pip_ipi是positive描述子。
4、Scale-Adaptive Neural Dense Features: Learning via Hierarchical Context Aggregation
论文链接 代码链接 主要模型框架
Pixel-wise Contrastive Loss
