【CVPR2021】LoFTR: Detector-Free Local Feature Matching with Transformers

最新推荐文章于 2025-03-13 20:46:53 发布
原创 最新推荐文章于 2025-03-13 20:46:53 发布 · 1.5k 阅读 · 21 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#算法 #计算机视觉 #图像处理 #python #论文阅读

LoFTR: Detector-Free Local Feature Matching with Transformers

论文链接：LoFTR: Detector-Free Local Feature Matching with Transformers | IEEE Conference Publication | IEEE Xplore

代码：zju3dv/LoFTR: Code for "LoFTR: Detector-Free Local Feature Matching with Transformers", CVPR 2021, T-PAMI 2022 (github.com)

Abstract

We present a novel method for local image feature matching. Instead of performing image feature detection, description, and matching sequentially, we propose to first establish pixel-wise dense matches at a coarse level and later refine the good matches at a fine level. In co

最低0.47元/天 解锁文章
稀疏纹理也能匹配 LoFTR: Detector-Free Local Feature Matching with Transformers
04-14 3465
LoFTR: Detector-Free Local Feature Matching with Transformers 浙江大学 Authors：Jiaming Sun1,2∗ Zehong Shen1∗ Yuang Wang1∗ Hujun Bao1 Xiaowei Zhou1† Code：https://zju3dv.github.io/loftr/ location: 202104 Transformer Abstract 提出了一种新的局部图像特征匹配方法。提出先在粗层次(Coarse)上建立像
LoFTR配置运行: Detector-Free Local Feature Matching with Transformers ubuntu18.04 预训练模型分享
weixin_48464886的博客
10-15 6641
刚装好系统的空白系统ubuntu18.04安装，首先进入 软件与更新 换到国内源。 1.anaconda 3.5.3 安装 Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirrorhttps://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 1.1 下载完成后运行安装软件： bash Anaconda3-5.3.0-Linux-x86_64.sh 1.2 ...
LoFTR： Detector-Free Local Feature Matching with Transformers
Word_And_Me_的博客
05-26 2375
网址大多数现有的匹配放大都是有三个阶段工作：特征点检测、特征点描述和特征点匹配。然而，当在低纹理区域、重复模式、视角变化、光照变化和运动模糊等情况下难以提取可重复兴趣点，进而会导致特征点匹配失败。LoFTER首先通过对图像进行卷积下采样以及上采样等操作，获得在原始图像1/8维度处的粗粒度特征表示和1/2维度处的细粒度特征表示；然后，将粗粒度特征表示进行Transformer特征提取；将得到的特征表示图进行特征匹配，获得粗匹配；
配置LoFTR: Detector-Free Local Feature Matching with Transformers，运行demo
qq_53970445的博客
02-20 1438
https://arxiv.org/pdf/2104.00680.pdfGitHub - zju3dv/LoFTR: Code for "LoFTR: Detector-Free Local Feature Matching with Transformers", CVPR 2021, T-PAMI 2022 此过程耗费时间长，请耐心等待。链接：https://pan.baidu.com/s/1_eVrFVY5gapQ9CwPH4wi3w?pwd=vdnx 提取码：vdnx 下载完成后，将文件放入Lo
Transformer-图像匹配-CVPR2021-LoFTR: Detector-Free Local Feature Matching with Transformers
一名从Java开发工程师转型的人工智能研究生，致力于图像修复和图像超分领域的探索与研究。通过博客分享个人的学习心得、研究成果以及在人工智能应用中的实际经验，欢迎与同行交流。
09-06 1621
LoFTR的提出，是将Transformer模型的注意力机制在特征匹配方向的应用，Transformer的提取特征的机制，在自身进行，本文提出可以的两张图像之间进行特征计算，非常适合进行特征匹配。
LoFTR: Detector-Free Local Feature Matching with Transformers
胭脂草的ABC博客
10-29 2375
本文提出了一种新的局部图像特征匹配方法。首先在粗粒度上建立图像特征的检测、描述和匹配，然后在精粒度别上细化亚像素级别的密集匹配，而不是依次执行图像特征检测、描述和匹配。与使用cost volume来搜索对应关系的密集方法相比，本文借鉴Transformer使用了自注意层和互注意层来获得两幅图像的特征描述符。这种方法提供的全局接受域使得能够在纹理较少的区域产生密集匹配。
论文阅读《LoFTR: Detector-Free Local Feature Matching with Transformers》
薛定谔的猫头咕咕咕
03-27 7108
论文地址：https://arxiv.org/pdf/2104.00680.pdf 代码地址：https://github.com/zju3dv/LoFTR 背景 模型结构 损失函数 实验结果
LoFTR：Detector-Free Local Feature Matching with Transformers
just
12-20 4263
本文提出一种新的图像局部特征匹配方法(关键点匹配)；与传统方法(特征检测-描述符-匹配)不同，本文首先在粗粒度上进行像素级密集匹配然后再细粒度进行优化。本文在Transformer中使用自注意层(self attention layer)和交叉注意层(cross attention layer)来获取两个图像的特征描述符；在室内数据集和室外数据集上实验，表明，LoFTR很大程度上优于现在的方法。现有的匹配方法大多数包含三个阶段：特征检测-特征描述-特征匹配；
LoFTR: Detector-Free Local Feature Matching with Transformers 2021
u010260681的博客
04-20 5819
核心思想：本文的目的是为了解决传统匹配的时候detector不鲁棒的问题，例如下图，上边是本文匹配结果，下边是superglue匹配结果： 可以认为是在superglue上的简单改进 整体pipeline： 如下图所示，整体pipeline分为四个模块： 网络输入两张待匹配的image，输出最终的local feature的匹配结果 1> local feature 和传统的dee...
LoFTR: Detector-Free Local Feature Matching with Transformers—特征点匹配算法系列
xiaoxu的博客
11-15 2472
个人的理解是第一次先做自注意力是为了获取全局的信息，之后我们在做交叉注意力进行匹配，重复的做自注意力是为了告诉后面的特征点已匹配的部分信息，避免重复的匹配。对这142个已经匹配的区域，再做实际点的微调，也就是25个点再最匹配的。现在我们完成的是粗粒度的匹配，也就是说经过Transform之后完成的实际上是区域之间的匹配问题。但是区域之间的点的匹配会存在一定的偏差。现在我们要算这25个点与其中心点的关系，相当于我要以中心点为圆心，算周围点跟它的概率关系，这样会得到一个热度图例如最后输出了142。
LoFTR Detector-Free Local Feature Matching with Transformers 环境配置
simle16的博客
10-09 1630
LoFTR: Detector-Free Local Feature Matching with Transformers 环境配置 一、环境配置及文件下载 1.文件下载 源码下载链接：https://zju3dv.github.io/loftr 相关模型下载链接: https://pan.baidu.com/s/1yM91Y4JrRiKJjHQ24ubZKw 密码: 2oc9 2.环境配置 将文件路径切换到解压后的源码文件夹中执行以下命令 # For full pytorch-lightning
LoFTR:“ LoFTR的代码
04-07
LoFTR：与变压器互不影响的无检测器局部特征 | LoFTR：与变压器互不干扰的本地特征匹配*，*， *，，CVPR 2021 代码发布ETA 我们计划在接下来的一周内发布仅推理的代码和预训练的模型，敬请期待。 用于数据预处理，培训和验证的整个代码库正在进行重大重构，并将于6月左右发布。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021loftr, title={{LoFTR}: Detector-Free Local Feature Matching with Transformers}, author={Sun, Jiaming and Shen, Zehong and Wang, Yuang and Bao, Hujun and Zhou, Xiao
论文笔记：LoFTR: Detector-Free Local Feature Matching with Transformers
qq_37516798的博客
02-18 8488
摘要：detect-free, 没有检测特征点，模型直接输出匹配对，利用transformer的全局注意力，可以较好的对低纹理图片和相似区域进行匹配 方法： 1.使用resnet+FPN提取分辨率为 1/8的粗略特征图以及 1/2的精细特征图 2.Positional Encoding 3. 输入至粗特征提取transformer1提取匹配特征：包含自注意力和交叉注意力：Self-attention and Cross-attention Layers 4. 粗级别的匹配，使用乘积的方式先计算所有位置的匹
探索无检测器的结构自运动：开启全新3D重构篇章
gitblog_00051的博客
06-14 781
探索无检测器的结构自运动：开启全新3D重构篇章 在计算机视觉领域，将二维图像转换为三维世界的“钥匙”非“结构自运动（Structure from Motion，SfM）”莫属。今天，我们将深入探讨一个开创性的开源项目——Detector-Free Structure from Motion。这个项目引领了无需特征点检测器的SfM新时代，其论文已被CVPR 2024接收，并且在2023年Image ...
【亲测免费】 DetectorFreeSfM 项目使用教程
gitblog_00245的博客
10-11 499
DetectorFreeSfM 项目使用教程 1. 项目目录结构及介绍 DetectorFreeSfM 项目的目录结构如下： DetectorFreeSfM/ ├── SfM_dataset/ │ └── example_dataset/ │ └── example_scene/ │ ├── images/ │ ├── intrins/ │ ...
CVPR2021配准算法LoFTR的配置（LoFTR: Detector-Free Local Feature Matching with Transformers）
热门推荐
博博有个大大大的Dream
10-04 1万+
1、论文下载地址： https://arxiv.org/pdf/2104.00680.pdf 2、代码下载地址： https://github.com/zju3dv/LoFTR 3、新建虚拟python环境并激活 conda create -n LoFTR python=3.7 source activate LoFTR 4、安装需要的库 pip install torch einops yacs kornia opencv-python matplotlib 5、下载额外库 ...
2024CVPR_Local Feature Matching Using Deep Learning: A Survey
草莓奶忻的博客
04-30 4858
论文评价可创新点局部特征匹配在计算机视觉领域有着广泛的应用，包括图像检索、3D重建和物体识别等领域。然而，由于视点和光照变化等因素，在提高匹配的准确性和鲁棒性方面仍然存在挑战。近年来，深度学习模型的引入引发了对局部特征匹配技术的广泛探索。这一努力的目标是提供一个全面的局部特征匹配方法概述。这些方法根据检测器的存在分为两个关键部分。基于检测器的类别包括检测-然后描述、联合检测和描述、描述-然后检测以及基于图的技术。相比之下，无检测器类别包括基于CNN的，基于变压器的和基于CNN的方法。
DetectoFreeSfM在服务器上的复现
最新发布
m0_74304677的博客
03-13 694
函数的参数类型不匹配！2.所以我采取的方法是把他所有对#1607的修改copy到一个我可以在我的环境上编译的colmap里面，就是colmap3.11.1，但是必然报很多版本不兼容的错误（主要集中在sfm.cc文件里面），接下来我就是一个个改错。我把这里面的错误改到了可以成功编译，但是是不是对的我也不确定，因为目前来看它的训练效果并没有达到作者文章中所展示的程度(꒦_꒦)。四、训练：这个部分我也折腾了很久，首先由于前面很多包为了符合我的环境和相互兼容，安的版本跟作者的都不一样了，所以首先改代码改了很久。
特征匹配（一）
qq_41769706的博客
01-04 4429
特征匹配
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值