GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence解读
来源:互联网 发布:迷你笔记本电脑知乎 编辑:程序博客网 时间:2024/05/17 19:19
介绍
特征匹配时很多计算机视觉算法的基础,因此速度、准确率和健壮性都是很重要的因素,目前在速度和健壮性上还存在很大的gap。主要问题在于使用在更强大的特征一致技术的一致性约束(相邻的像素运动是相似的)。一致性约束是强大的限制但是稀疏的特征缺乏定义良好的邻居,这就导致基于一致性的技术计算代价昂贵并且很难执行。这篇论文提出了GMS(Grid-based Motion Statistics, 基于网格的运动估计),一种能够封装运动平滑作为统计在两个region pair中有一定数量特征匹配的方法。GMS能够快速而准确的区别真假匹配,有高度的一致性。如图一
文章的灵感来自于BF,而BF强调说缺少特征匹配不是由于太少的正确匹配而在于很难分辨真假,加入一致性检测能够work well但是速度上很慢。BF和其他相关技术使用的复杂的平滑限制可以总结为:运动平滑表示一致性的聚集不大可能是随机出现的,因此真假的判别可以通过周围匹配点的简单计数来实现。
原先的特征匹配论文假定匹配质量主要在于尺寸上不变特征的提升,本文发现原始的特征数量也会影响质量。
本文贡献在于:
1. 把运动平滑限制问题转变成了统计测量来去掉错误匹配;
2. 提出一种有效率的基于网格的分数估计器,能够提供real time的特征匹配;
3.展现了GSM系统比传统的SIFT, SURF和CNN训练的LIFT好很多;
Approach
假设1 运动平滑让(cause)真的match周围的领域是又相同的3D位置的,同样的,假的match领域有不相同的3D位置。
如图,真假match可以通过周围的领域点来印证。
假设2: 假定fa匹配错误,那么它最临近的match可以在任何M个可能的位置上。
数学证明。
增加特征数就能够获得传统的一些方法的效果。
- GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence解读
- 特征匹配--GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence
- A Seismic-Based Feature Extraction Algorithm for Robust Ground Target Classification
- Robust Statistics
- 文章解读:Feature selection based on FDA and F-score for multi-class classification
- Transferring Rich Feature Hierarchies for Robust Visual Tracking
- DSST(Accurate Scale Estimation for Robust Visual Tracking 代码解读
- DSST(Accurate Scale Estimation for Robust Visual Tracking 代码解读
- Displays feature usage statistics
- 论文提要“Fast Feature Pyramids for Object Detection”
- 论文提要“Fast Feature Pyramids for Object Detection”
- 行人检测论文笔记:Fast Feature Pyramids for Object Detection?
- 行人检测论文笔记:Fast Feature Pyramids for Object Detection?
- 论文提要“Fast Feature Pyramids for Object Detection”
- 【Caffe】Caffe: Convolutional architecture for fast feature embedding
- Region-based Discriminative feature pooling for scene text recognition (CVPR14)
- MatchNet: Unifying Feature and Metric Learning for Patch-Based Matching
- (翻译)Dirichlet-based Histogram Feature Transform for Image Classification
- Caffe中学习率策略
- Maven最佳实践:版本管理
- zeppelin源码分析(4)——主要的class分析(下)
- java中几种Map在什么情况下使用,并简单介绍原因及原理
- cameraservice handleEvictionsLocked函数简单分析。
- GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence解读
- 关于android生成的MD5值
- c++ list, vector, map, set 区别与用法比较
- CQRS体系结构模式实践案例:Tiny Library:领域仓储与事件存储
- android studio 使用lambda表达式
- windows系统安装composer,解决安装magento问题
- Android开发之银联工作密钥,主密钥,传输密钥(加解密图文展示)
- 获取运行文件路径 ,TCHAR 转 CString
- linux 解压war包