ContextDesc: Local Descriptor Augmentation with Cross-Modality Context 解读

基于跨模态上下文的局部描述子增强

github:https://github.com/lzx551402/contextdesc
论文：https://arxiv.org/abs/1904.04084
转载注明出处！

1.早期特征设计的目标：

可重复性：相同的“区域”可以在不同的图像中被找到；

可区别性：不同的“区域”有不同的表示；

高效性：同一张图像，特征点的数量应<<像素数量；

本地性：特征仅与一小片图像区域相关；

误匹配 由于图像特征的局部特性，场景中存在大量重复纹理，都有相似的特征描述，仅利用局部特征；
导致误匹配广泛存在，长期以来没有很好的解决办法，成为了制约视觉SLAM性能的一大瓶颈；

2.论文主要思想

通过区域信息和几何结构信息来增强原特征描述子；

它不包含关键点的检测.

加入高阶图像表示的视觉上下文；

加入关键点分布的几何上下文；

• 从输入的单张图像中提取：
  关键点[k, 2];
  区域特征[H/32, W/32, 2048];
  基础描述子特征向量[k, 128];
• 将三种信息转化为：
  几何信息;
  视觉信息;

3.GeoDesc(2018.8)–基础描述子

一种基于卷积神经网络的描述子；
输入是关键点的image patch，[32,32,1]；
整个网络共7层；
输出尺寸是128维特征向量；

4.几何上下文模块

• 此模块输入：
  K个关键点座标；
  K个描述子，用来得到关键点的可匹配度；
• 输出：
  是128维特征向量.
  

5.可匹配度

• 提出一种预测“匹配能力”的度量；
• 目标是在匹配阶段之前， 确定一个关键点是否可匹配的；
• 其实就是一种置信度，在经过多层卷积之后，使用tanh激活函数进性激活；

6.Context Normalization（CN）

• 在多层卷积中，加入CN技术，公式：

• 由于原始输出都是非负的，会影响表达能力，所以调整顺序，每个残差单元使用预激活， 能兼容CN. 替换了最后四个残差单元. 简单的变化却在减少优化负担中起到了关键的角色.
  

7.视觉上下文模块

• 输入：
  1)区域特征，尺寸是H/32W/322048;
  2)K个局部特征描述子(基础的局部描述子);
  3)k个关键点座标;
• 输出：
  K个增强后的带有视觉信息的特征向量；
  

8.区域特征数与关键点匹配

• ， 网格点座标；
• ，关键点座标；
• 使用与距离成反比的加权平均特征来表示关键点的区域特征；
• 使用K近邻来选取邻域，k=3；
• 之后再通过多层卷积和squeeze，降低维度；

9.特征融合

• 对于融合基础特征、几何上下文、视觉上下文特征， 简单的做法是将3种特征合并起来， 然而增加的维度将会在匹配阶段增加计算复杂度；
• 因此，将3种特征加权求和，加入L2正则项，从而不改变维度；
• 除了实现简单， 这种策略还可以灵活的运用. 例如，在区域特征不显著的情境，可以仅融合几何上下文，而不需要训练模型.

10.N-pair损失函数

• 原始的N-pair没有可调参数：
  

• 由于D输出是[0，2]，导致softmax函数尺度敏感，从而导致收敛问题；
  所以乘以一个可训练的缩放因子α，初始化为1：

• 可训练的，所以不需要人为干预或者复杂的启发式方法；
  实验证明，对比其原始形式，这一简单调整有很大的提升；
• α参数训练日志：
  

11.训练

• 每次有1024个随机选取的关键点(包含关键点和噪声).
• 输入patch都经过0均值和归一化.
• 输入关键点座标相对于图像，被规范到[-1，+1]之间.
• 训练数据集：GL3D–一个大规模摄影旅游航拍数据集；

12.关于关键点检测

• 虽然本文中并未讨论检测子，
• 但作者认为更先进的关键点检测技术无疑可以带来很大提升；
• 可以利用深度的方法来检测关键点，例如SuperPointNet；

13.评估

作者做了很多实验，结果都是state-of-the art，详细的可以看论文，我只是将我的见解讲一讲