木独的博客

SuperGlue: Learning Feature Matching with Graph Neural Networks 论文解析简介出发点快速最临近邻搜索（FLANN）算法常常被用于匹配得到最近邻特征点，从而得到图片A和图片B中的特征点的匹配对。但是本文认为，特征点的提取与描述采用复杂的深度学习算法后不再是限制因素，而Naive的匹配方法才是限制其性能的关键点。因此本文在SuperPoint的基础上提出了一种匹配算法，取得了匹配性能的极大改进。相关工作经典的局部特征匹配流程提取特

UnSuperPoint:End-to-End Unsupervised Interest Point Detector And Descriptor 论文解读简介特征点的语义信息并不明确难以用人工标注特征点位置的方法得到一个巨大的数据集，是深度学习方法用在特征点提取上的最大问题。之前工作：TILDE 用类似于sift的特征点作为真实值Quad-network 基于图片单应变换结果训练，但输入为单个patchLIFT，LF-Net 利用SfM中的特征点作为真实值SuperPoint 利用模拟

SuperPoint：Self-Supervised Interest Point Detection and Description 论文阅读简介监督学习从图像中提取点的方法被广泛研究物体检测人体关节位置检测等等特征点的语义信息不明确，难以进行人工标注，如何进行网络训练？文中的思路为自动标注得到伪真实值生成特征点位置无歧义的虚拟数据集训练得到特征提取网络MagicPoint对图片进行旋转、缩放等变换并利用MagicPoint进行提取，集合所有提取得到的特征点位置作为伪真

LIFT: Learned Invariant Feature Transform论文概述创新点使用统一的模型进行端到端的有监督训练利用了传统特征提取的先验知识方法训练过程* 分阶段训练 * 利用SfM中sift的位置和角度，训练描述符网络 * 利用SfM中sift的位置，和训练好的描述符网络，训练旋转估计网络 * 利用已经训练好的旋转估计和描述符网络训练特征点提取网络* 损失函数 * 同一个3d点的角度尽可能近 * 匹配点描述符距离尽可能近，非匹配点尽

ORB(Oriented FAST and Rotated BRIEF) 特征点在Fast角点与brief描述子的基础上，拓展得到ORB特征点。具有实时性好，提取效果也不错的优势，被广泛应用于需要实时处理处理任务的场景中。特征提取预备知识：FAST角点Fast角点不具备尺度不变性，某些点在较小尺度下可能是角点而在大尺度下则变成了边缘，如图所示因此ORB在提取特征点时进行了改进，利用单张图像金字塔进行多尺度特征提取，得到多尺度下的特征点。特征描述ORB特征点的描述子是在brief描述子基

SIFT 特征点sift特征点是非常传统计算机视觉中非常重要的方法，也是最广为人知的算法之一。它也是一个复杂的算法，考虑了尺度特性、旋转特性等。具有如下的优势：局部性：特征点是局部的，不会受到遮挡的影响可区分性：能从巨大的数据集中区分每个特征质量：提取特征点的质量非常高高效：能够取得接近实时的表现可拓展性：能够轻易的拓展成其他类型的特征点，以提高其鲁棒性算法主要包括如下几个步骤：尺度空间极值检测特征点定位方向估计特征点描述子尺度空间极值选择尺度空间同一个物体在不同尺度下呈

Harris 特征点原理提出思想找到一个小区域，该区域无论上下左右如何轻微变化均将导致区域内的图像发生明显的变化。例如：角点，不论怎么移动均会导致图像发生较大变化图像中间点，局部运动时区域内图像内容不变图像边缘，横向运动时区域内图像内容不变因此，采用类似的思想提出了Harris角点，具体步骤如下：计算像素值对区域左右移动的导数矩阵，变化剧烈等价于导数大分析矩阵性质，仅当变化最剧烈的两个方向同时具有较大的数值时才表明该区域为角点区域像素变化速度设当前窗口中心位置为(x,y)(

Fast 特征点的原理十分的简单清晰，即基于如下的先验知识寻找角点。首先在某个点ppp附近画一个圈，选取16个像素点,如上图1-16数字区域。将16个像素点分为三类，d(darker更暗),s(similar相似),b(brighter更亮)d(darker更暗),s(similar相似),b(brighter更亮)d(darker更暗),s(similar相似),b(brighter更亮)如果存在连续的12个以上的像素点均为ddd类或者均为bbb类则说明该点为角加速方法： 1，5，9，13四