基于深度学习的特征点检测与描述方法研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61876180
项目类别：
面上项目
资助金额：
62.0万
负责人：
吴福朝
依托单位：
中国科学院自动化研究所
学科分类：
F0604.机器感知与机器视觉
结题年份：
2022
批准年份：
2018
项目状态：
已结题
起止时间：
2019-01-01 至2022-12-31

项目参与者：
樊彬；田雨润；达铖；晏亮；罗亨亮；刘永成；方深；
关键词：
深度学习特征匹配特征点检测局部图像特征描述

项目摘要

This proposal aims to research on new methods for keypoint detection and local feature description based on deep learning. The main research contents include: (1) For keypoint detection, in order to fully utilize the powerful ability of function fitting and feature representation of CNNs, we research on how to learn keypoint’s response function by CNNs to improve the detector’s repeatability. We also propose an end-to-end CNN solution for keypoint detection. (2) For local feature description, we research on a spectral transform network and related learning methods to transform local images of corresponding keypoints into similar spectral space, so as to extract local features with high matching performance. (3) The previous two items are incorporated together by researching on multi-task CNNs for simultaneously keypoint detection and local feature description. Meanwhile, we research on how to leverage on weakly supervised information for simultaneously keypoint detection and local feature description. This proposal not only has important scientific merits, but also is extremely useful for many computer vision applications which are based on local image matching, such as 3D reconstruction, SLAM, image fusion, image style transferring, etc.

本项目旨在探索基于深度学习的图像特征点检测和局部图像特征描述方法，主要研究内容包括以下三个方面：（1）图像特征点检测：建立新的基于深度神经网络的特征点响应计算方法和端到端的特征点检测方案，充分利用深度神经网络强大的函数拟合与表达能力来提升特征点检测算法的性能；（2）局部图像特征描述：建立面向特征描述的光谱特征变换理论和相应的深度神经网络，根据局部图像内容自适应地确定相应的光谱变换关系，将对应点的局部图像映射到相似的光谱特征空间，以提升特征描述子的匹配性能；（3）特征点检测和描述的一体化：面向特征点检测与描述的多任务特性，建立相应的深度神经网络结构和学习算法，提出特征点检测与描述一体化的深度神经网络方法，同时建立基于弱监督信息的网络学习算法。本项目不仅有重要学术意义更具有广泛的应用价值，特别适用于三维重建、SLAM、图像融合、图像风格迁移等以图像内容匹配为基础的高层视觉应用任务。

结项摘要

针对图像特征点匹配这一计算机视觉基本问题，本项目旨在探索基于深度学习的图像特征点检测和局部图像特征描述方法，以突破图像特征点检测与描述算法的性能瓶颈、提升复杂图像变化的特征表示与匹配能力为总体研究目标，主要在如下几个方面开展研究工作：（a）基于深度网络的特征描述子学习方法；（b）端到端深度学习特征点检测与描述子学习方法；（c）融入注意力学习机制的深度特征表示学习方法；（d）深度神经网络中的多尺度特征学习方法；（e）大规模特征描述子快速匹配；（f）在图像检索、目标检测、视觉定位、三维重建、目标识别等实际计算机视觉应用任务中验证和应用本项目所提出的研究成果。提出了基于特征空间分布特性建模的描述子学习方法、基于知识蒸馏的鲁棒特征学习方法、面向跨域图像匹配的端到端特征点检测与描述子学习方法、基于注意力的鲁棒视觉特征表示学习方法等，实现了复杂光谱变化下的高可靠特征匹配，扩展了基于轻量化深度网络的特征点检测与描述子学习方法体系，丰富了基于深度学习的视觉信息表征学习的理论与技术范畴。本项目产生了一批高水平研究成果，发表高水平学术论文13篇，包括CVPR/ICCV/ECCV三大计算机视觉顶级会议论文5篇、IEEE TIP 2篇、IEEE TMM 2篇、Pattern Recognition 2篇，出版中文学术专著1部，获得国家发明专利授权2项，获得CAIP 2019图像特征描述子匹配任务的国际竞赛第一。