Core Concepts
深層学習モデルの導入により、ローカル特徴マッチング技術が広範囲に探求されています。
Abstract
ローカル特徴マッチングはコンピュータビジョンの中で重要な役割を果たす。
伝統的な手法からディープラーニング技術への移行が進んでいる。
ディープラーニングを活用した様々な手法が紹介されている。
ローカル特徴マッチングの応用領域としてSfM、リモートセンシング画像登録、医用画像登録が挙げられている。
イントロダクション
ローカル特徴マッチングは異なる画像間で正確な特徴対応を確立することを目指す。
画像融合や視覚的位置決定など多くのコンピュータビジョンタスクに基盤を提供する。
Detector-based Models
特徴検出、記述、および一致段階から成る伝統的アプローチが紹介されている。
CNNsを使用した新しい手法が精度と効率性の向上に貢献している。
Joint Detection and Description
キーポイント検出と記述タスクを統合し、同時に学習するアプローチが取られている。
Describe-then-Detect
特徴記述後にキーポイント検出を行うアプローチが紹介されている。
Graph Based
キーポイント間の関係性をグラフニューラルネットワークで確立し、ソフト割り当て行列に基づく一致点生成方法が提案されている。
Detector-free Models - CNN Based
CNNsを使用した密な対応抽出方法が解説されており、メモリ消費量や実行時間の削減も考慮されている。
Transformer Based
Transformersの導入により局所的・全体的情報両方を考慮した対応抽出方法が提案されている。
Patch Based
画像領域ごとにパッチ分割し、それぞれのパッチ間で対応付けを行う手法が説明されている。
Stats
"Detector-based methods hinge on the detection and description of sparsely distributed keypoints in order to establish matches between images."
"Various techniques were committed to the process of feature detection, while others were honed on locally executing the task of feature description."