2017以来2Dto3D.PDFVIP

2017 以来的2D to 3D 吴毅红，VALSE 2018 ，4月22 日，大连 内容  前言  图像匹配  视觉定位，PnP ，SLAM  三维重建, SfM，学习，RDGBD  发展趋势 前 言 •3D 视觉应用：传统工业、AR 、VR 、机器人领域 •2016：AR 、VR热潮 •2017：无人驾驶、机器人、AGV 、3D摄像头 •2017.6.5, 苹果 ARKit •2017. 8, 谷歌 ARCore •2017.9.13, 苹果手机 iPhone X 3D 深度摄像头 •2017. 10. 19，三星和谷歌合作，ARCore引入三星手机; 2018, 华 为、小米 •2017.11.28, 华为手机荣耀 V10 配备3D 面部识别 •2018年3月，腾讯成立机器人实验室 Robotics X，张正友，三维视 觉领域，三维重建、立体视觉、相机标定 图像匹配  概况 • 传统设计的描述子逐渐被学习型描述子取代，深度学习成为 主流趋势； • 深度学习开始在特征检测领域展现光彩； • 实际使用中，仍然是传统设计方法为主。  学习型特征检测算法  CovDet：CNN学习协变（Covariant）特征，Zhang, Yu, Kumar, Chang ，CVPR2017  AffNet：CNN学习仿射协变参数， Mishkin, Radenovic, Matas， arXiv2017  学习型特征描述子  L2Net：新的采样模式及误差，Tian, Fan, Wu ，CVPR2017  DeepCD：浮点描述子与二值描述子互补，Yang, Hsu, Lin, Chuang ，ICCV2017  Spread-out：学习描述子的空间分布，Zhang, Yu, Kumar, Chang ，ICCV2017  HardNet：基于L2Net的改进误差，Mishchuk, Mishkin, Radenovic, Matas，NIPS2017  特征匹配方法 • J. Bian, W. Lin, Y. Matsushita, S. Yeung, T. Nguyen, M. Cheng. GMS ：Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence. CVPR2017 (grid, 利用运动平滑 信息进行特征匹配，快速、鲁棒) • A. Seki, M. Pollefeys. SGM-Nets: Semi-global matching with neural networks. CVPR 2017. KITTI, Stereo 2012, rank 10 SGM: H. Hirschmuller. Stereo Processing by Semiglobal Matching and Mutual Information, PAMI 2008. 测评  Johannes L. Schonberger, Hans Hardmeier, Torsten Sattler, Marc Pollefeys. Comparative Evaluation of Hand-Crafted and Learned Local Features. CVPR 2017.  新的数据库 Hpatches 描述子学习领域可用数据集较少，之前的Brown数据集性能趋于饱和 HPatches在数据质量上较Brown数据集进一步提升，评测方法更有效、多样。 HPatches A benchmark and evaluation of handcrafted and learned local descriptor. V. Balntas, K. Lenc, A. Vedaldi, K. Mikolajczyk. In CVPR 2017