DAC: Detector-Agnostic Spatial Covariances for Deep Local Features

要約

現在のディープビジュアル局所特徴検出器は、検出された特徴の空間的不確実性をモデル化していないため、下流のアプリケーションでは次善の結果が得られます。
この研究では、事前トレーニングされた深部特徴検出器に組み込むことができる 2 つのポストホック共分散推定を提案します。1 つは、特定のピクセル位置での予測スコアを使用する単純な等方性共分散推定で、もう 1 つは局所構造テンソルによる完全な共分散推定です。
学習されたスコア マップの。
どちらの方法も実装が簡単で、あらゆる深層特徴検出器に適用できます。
これらの共分散は特徴マッチングのエラーに直接関係しており、視点と点の問題の解決やモーションのみのバンドル調整などの下流タスクの改善につながることを示します。
コードは https://github.com/javrtg/DAC で入手できます。

要約(オリジナル)

Current deep visual local feature detectors do not model the spatial uncertainty of detected features, producing suboptimal results in downstream applications. In this work, we propose two post-hoc covariance estimates that can be plugged into any pretrained deep feature detector: a simple, isotropic covariance estimate that uses the predicted score at a given pixel location, and a full covariance estimate via the local structure tensor of the learned score maps. Both methods are easy to implement and can be applied to any deep feature detector. We show that these covariances are directly related to errors in feature matching, leading to improvements in downstream tasks, including solving the perspective-n-point problem and motion-only bundle adjustment. Code is available at https://github.com/javrtg/DAC

arxiv情報

提供元, 利用サービス

arxiv.jp, Google