这里写目录标题
- I.SuperPoint和SuperGIue的背景介绍
-
- 特征点提取和匹配
- 特征点的构成
- 基于神经网络的方法
-
- 优化方向一：增强特征点检测和描述子生成
- 优化方向二：增强匹配和外点去除策略
- 背景和效果
- 神经网络真的优于传统方案吗？
- DEMO演示
- 为什么研究
- 2.SuperPoint学习经验分享
-
- 整体架构
- 核心技术
-
- 1.自适应单应变换
- 2 Encoder-Decoder的网络结构
-
- a·输入是一张图像
- b·经过一个Encoder（类似VGG的结构）
-
- c.送到两个Decoder里面
-
- i，lnterestPoint:特征点位置检测，Softmax和NMS（非极大值抑制），reshape
- ii.Descriptor:描述子生成,插值，L2-Norm
- 评价;
- 2.Superglue学习经验分享
-
- 整体架构
-
- 输入
- 网络模型
- 核心技术
-
- 1，self·cross的注意力机制
- 2．用运输问题建模求解匹配问题
- 运输问题
- 评价
- 4.Superpoint和SuperGIue的应用
-
- 基于SP和SG的SFM
- 基于SP的SLAM
- 应用场景
- 5.研究现状和未来
- 6·学习应用经验
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/50658.html