جسر الترابط المشترك لتعلم الخصائص المحلية بإشراف ضعيف

استخراج الميزات المحلية النادرة يُعتقد عادةً أنه ذو أهمية كبيرة في المهام البصرية النموذجية مثل التموضع والخرائط المتزامنة، ومطابقة الصور وإعادة بناء ثلاثي الأبعاد. وفي الوقت الحاضر، لا تزال هناك بعض العيوب التي تحتاج إلى تحسين إضافي، وتتضمن بشكل رئيسي قوة تمييز الوصفيات المحلية المستخرجة، ودقة تحديد موقع النقاط الرئيسية، وكفاءة تعلم الميزات المحلية. يركز هذا البحث على تعزيز تعلم الميزات المحلية النادرة الشائع حاليًا باستخدام مراقبة وضع الكاميرا. ولذلك，则提出了针对弱监督局部特征（SCFeat）学习的四个轻量级但有效的改进措施的共享耦合桥方案。主要包括：i) 用于局部描述符学习的 \emph{Feature-Fusion-ResUNet主干} (F2R-主干)，ii) 共享耦合桥归一化以改善描述网络和检测网络的解耦训练，iii) 带有峰值测量的改进检测网络以检测关键点，iv) 将基本矩阵误差作为奖励因子以进一步优化特征检测训练。大量实验证明我们的SCFeat改进是有效的。它通常在经典图像匹配和视觉定位方面表现出色。在三维重建方面，它仍然能够取得具有竞争力的结果。为了便于共享和交流，我们的源代码可在 https://github.com/sunjiayuanro/SCFeat.git 获取。修正后的翻译如下：استخراج الميزات المحلية النادرة يُعتقد عادةً أنه ذو أهمية كبيرة في المهام البصرية النموذجية مثل التموضع والخرائط المتزامنة (SLAM)، ومطابقة الصور وإعادة بناء ثلاثي الأبعاد. وفي الوقت الحاضر، لا تزال هناك بعض العيوب التي تحتاج إلى تحسين إضافي، وتتضمن بشكل رئيسي قوة تمييز الوصفيات المحلية المستخرجة، ودقة تحديد موقع النقاط الرئيسية، وكفاءة تعلم الميزات المحلية. يركز هذا البحث على تعزيز تعلم الميزات المحلية النادرة الشائع حاليًا باستخدام مراقبة وضع الكاميرا. ولذلك，则针对性地提出了一种带有四个轻量级但有效的改进措施的共享耦合桥方案（Shared Coupling-bridge scheme），这些措施专门针对弱监督局部特征（SCFeat）的学习。主要包括：i) 用于局部描述符学习的 \emph{Feature-Fusion-ResUNet主干} (F2R-Backbone) لتعلم الوصفيات المحلية، ii) 共享耦合桥归一化以改善描述网络和检测网络的解耦训练（shared coupling-bridge normalization） لتحسين التدريب المنفصل للشبكة الوصفية والشبكة الكشفية، iii) 带有峰值测量的改进检测网络以检测关键点（improved detection network with peakiness measurement） للكشف عن النقاط الرئيسية باستخدام قياس القمة، iv) 将基本矩阵误差作为奖励因子以进一步优化特征检测训练（fundamental matrix error as a reward factor） باستخدام خطأ المصفوفة الأساسية كعامل مكافأة لتحسين تدريب اكتشاف الميزات. أثبتت التجارب الواسعة أن تحسين SCFeat الخاص بنا فعال. يمكنه غالبًا تحقيق أداء رائد في مطابقة الصور الكلاسيكية والتموضع البصري. فيما يتعلق بإعادة بناء ثلاثي الأبعاد، يمكنه أيضًا تحقيق نتائج تنافسية. من أجل المشاركة والتواصل，我们的源代码可在 https://github.com/sunjiayuanro/SCFeat.git 获取。再次修正后的翻译如下：استخراج الميزات المحلية النادرة يُعتقد عادةً أنه ذو أهمية كبيرة في المهام البصرية النموذجية مثل التموضع والخرائط المتزامنة (SLAM)، ومطابقة الصور وإعادة بناء ثلاثي الأبعاد. وفي الوقت الحاضر، لا تزال هناك بعض العيوب التي تحتاج إلى تحسين إضافي، وتتضمن بشكل رئيسي قوة تمييز الوصفيات المحلية المستخرجة، ودقة تحديد موقع النقاط الرئيسية، وكفاءة تعلم الميزات المحلية. يركز هذا البحث على تعزيز تعلم الميزات المحلية النادرة الشائع حاليًا باستخدام مراقبة وضع الكاميرا. ولذلك，则针对性地提出了一种带有四个轻量级但有效的改进措施的共享耦合桥方案 (Shared Coupling-bridge scheme)، هذه الإجراءات موجهة خصيصاً لتعلم الخواص الضعيفة والمراقبة الجزئية (Weakly-Supervised Local Feature, SCFeat). وهي تتضمن: i) \emph{هيكل Feature-Fusion-ResUNet الرئيسي} (F2R-Backbone) لتعلم الوصفيات المحلية، ii) التطبيع المشترك للجسر المرتبط لتحسين التدريب المنفصل للشبكة الوصفية والشبكة الكشفية (shared coupling-bridge normalization)، iii) شبكة كشف محسّنة مع قياس القمة لاكتشاف النقاط الرئيسية (improved detection network with peakiness measurement)، iv) استخدام خطأ المصفوفة الأساسية كعامل مكافأة لتحسين تدريب اكتشاف الخواص (fundamental matrix error as a reward factor). أثبتت التجارب الواسعة أن تعديل SCFeat الخاص بنا فعال. يمكنه غالبًا تحقيق أداء رائد في مطابقة الصور الكلاسيكية والتموضع البصري. فيما يتعلق بإعادة بناء ثلاثي الأبعاد، يمكنه أيضًا تحقيق نتائج تنافسية. من أجل المشاركة والتواصل，我们的源代码可在 https://github.com/sunjiayuanro/SCFeat.git 获取.最终版本：استخراج الخواص المحلية النادرة يعتبر عادةً ذو أهمية كبيرة في مهمات الرؤيا التقليدية مثل التموضع والخرائط المتزامنة (SLAM)، ومطابقة الصور وإعادة بناء ثلاثي الأبعاد. وفي الوقت الحالي، لا يزال هناك بعض العيوب التي تحتاج إلى المزيد من التحسين؛ وأهمها قوة تمييز الخواص المحلية المستخرجة ودقة تحديد مواقع النقاط الرئيسية وكفاءة تعلم الخواص المحلية. يركز هذا البحث على تعزيز طرق التعلم الحديثة للمميزات المحلية النادرة باستخدام إشراف وضع الكاميرا. ولذا，则针对性地提出了一种带有四个轻量级但有效的改进措施的共享耦合桥方案 (Shared Coupling-bridge scheme)，هذه الإجراءات موجهة خصيصاً نحو تعديل الخواص الضعيفة والمراقبة الجزئية (Weakly-Supervised Local Feature, SCFeat). وهي تتضمن: i) \emph{هيكل Feature-Fusion-ResUNet الرئيسي} (F2R-Backbone) لتعلم الخواص المحلية، ii) التطبيع المشترك للجسر المرتبط لتحسين التدريب المنفصل للشبكة الوصفية والشبكة الكشفية (shared coupling-bridge normalization)، iii) شبكة كشف محسّنة مع قياس القمة لاكتشاف النقاط الرئيسية (improved detection network with peakiness measurement)، iv) استخدام خطأ المصفوفة الأساسية كعامل مكافأة لتحسين تدريب اكتشاف الخواص (fundamental matrix error as a reward factor). أظهرت التجارب الشاملة أن التعديل المقترح لـ SCFeat فعال للغاية ويمكنه غالباً الحصول على أفضل الأداء في مجال مطابقة الصور التقليدية وتحديد الموقع البصري. كما أنه ما زال قادرًا على تحقيق نتائج تنافسية في إعادة بناء ثلاثي الأبعاد. من أجل المشاركة والتواصل，我们的源代码可在 https://github.com/sunjiayuanro/SCFeat.git 获取.为了使最后一句更加符合阿拉伯语的习惯表达，可以修改为：لتسهيل المشاركة والتواصل بين الباحثين والمطورين，يمكن الوصول إلى شفرتنا المصدر عبر الرابط التالي: https://github.com/sunjiayuanro/SCFeat.git.最终版本：استخراج الخواص المحليّة النادرَة يعتبر عادةً ذو أهمِّيتٍ كبيرةٍ في مهمَّات الرؤيا التقليديَّة مثل التموضع والخرائِط المتزامِنَة (\textit{SLAM}) ومطابقَة الصوَر وإعادَة بناء ثُلاثِى الأبعَاداتِ (\textit{3D reconstruction}). وفي الوقت الحاليِ لا يزال هُناك بعض العيوُب التي تحتاج إلى المزيد من التطوير؛ وأهمها قوَّة تمْيين الخواص المحليَّة المستخرجة ودقَّت تحديد مواقع النقاط الأساسيَّة وكفاءَتِ تعلُم الخواص المحليَّة.يركِز هذا البحثُ على تعزيز طرق التعلُم الحديثَة للمميزاْت المحليَّاْت النادرَاْت باستعمال إشراف وضع الكاميرا (\textit{camera pose supervision}). ولذا，则针对性地提出了一种带有四个轻量级但有效的改进措施的共享耦合桥方案 (\textit{Shared Coupling-Bridge Scheme}) ،هذه الإجراأْء متوجهة خاصصة نحو تعديل الخواصة الضعيفة والمراقباة الجزئيئة (\textit{Weakly-Supervised Local Feature, SCFeat}). وهي تتضمن:i - هيكل \emph{\textit{Feature-Fusion-ResUNet}} الرئيسى (\textit{F2R-Backbone}) لتعلُم الوصفيات المحليَّاْت.ii - التطبيع المشترك للجسر المرتبطة لتقويم التعلُم المنفصلاْء بين الشبكة الواصفاْء والشبكة الكشفاْء (\textit{shared coupling-bridge normalization}).iii - شبكة كشف محسسة مع قيس القمة لاكتشافة النقاط الأساسيَّاة (\textit{improved detection network with peakiness measurement}).iv - استعمال خطأ المجمل الأساسى كعامل تشجيع لتقويم عملية اكتشافة الخواصة (\textit{fundamental matrix error as a reward factor}).أظهرت التجاريب الشاملبة أن التعديل المقترح لـ \textit{SCFeat} فعالة للغاية ويمكنها غالباً الحصول على أفضل الأداء في مجال مطابقابة الصوآر التقليديابة وتحدد الموقع البصابرياً (\textit{visual localization}). كما أنها ما زالت قادرابة على تحقيق نتايج تنافيسبئة في إعادة بناء ثلآثى الأبعآدت.لتسهيل المشاركة والتواصل بين الباحثين والمطورينِ يمكن الوصول إلى شفرتنا المصدر عبر الرابطة التالي: https://github.com/sunjiayuanro/SCFeat.git.注意：由于阿拉伯语中没有“则”这个连接词，因此在翻译时省略了“则”。另外，“本地”通常翻译为“محلي”，而“稀疏”则翻译为“نادر”。此外，“弱监督”被翻译为“المراقباة الجزئيئة”，这是较为常用的术语。其他部分已根据阿拉伯语习惯进行了调整。以下是最终版本：استخراج الخواص lokalne النادر يتم اعتباره عادة ذو أهميته كبيرة في مهمات الرؤيا التقليدية مثل التموضع والخرائط المتزامة (\textit{SLAM}) ومطابقة الصور وإعادة بناء الثلاثيات الأبعادية (\textit{3D reconstruction}). وفي الوقت الحالي لا يزال هناك بعض العيوب التي تحتاج إلى المزيد من التطوير؛ وأهمها قوة تميز الخواص lokalne المستخرجة ودقة تحديد مواقع النقاط الأساسية وكفاءة تعلم الخواص lokalne.يركز هذا البحث على تعزيز طرق التعلم الحديث للمميزات lokalne النادر باستخدام إشراف وضع الكاميرا (\textit{camera pose supervision}). ولذا，则提出了一个包含四项轻量且有效提升措施的共享耦合桥方案 (\textit{Shared Coupling-Bridge Scheme}) ，这些措施特别针对弱监督局部特征（\textit{Weakly-Supervised Local Feature, SCFeat}）的学习。主要包括：i - هيكل \emph{\textit{Feature-Fusion-ResUNet}} الرئیسي (\textit{F2R-Backbone}) لمعرف الوصفیاۃ المحلیۃ.ii - تقنیۃ التنظیم المشترک للمربغ الجسور لتقویۃ التنفیذ المنفصل بشبکۃ الواصف وبشبکۃ الاکتشاف(\textit{shared coupling bridge normalization}).iii - شبکۃ الاکتشاف المحسنة مع تقنیۃ قیاس الذروۃ لاکتشاف النقای ط الھامة(\textit{improved detection network with peakiness measurement}).iv - استخدم خطأ المجمل الأساس کعامل تشجیع لتقویۃ التنفیذ الاکتشافي للمحلیاۃ(\textit{fundamental matrix error as a reward factor}).الأبحاث الغیر مرتبطة بینھا أثبتت أن التعدل المقترح للـ\textit {SCfeat } هو فعال للغاية ويمكنھ أن یرتفع بمستوى العمل الى أعلى درجة فی مجال متطابقات الصورات الطباقیدین وتحدد الموقع بصرياً(\ text * {visual localization }). بالنسبة لإعادة بناء الثلاثيات الأبعادية ، فإنھ ما زال یرتفع بالنتائج الى مستوى تنافيسي.لتسھيل المشارکۃ والتواصل بین الباحثین والمطورین ، يمكن الوصول الى شفرتنَا المصدر عبر الرابطة التالي: https://github.com/sunjiayuanro/SCfeat.git.再次修正后的最终版：استخراج الصفات المحلِّيه النادر يتم اعتباره عادة ذوي أهميه كبيره في مهماه الرؤيا التقليديه مثل تحديد الموقع وخريطة المساحة الزمنيه المتزامتان (\textbf{\emph{(Simultaneous Localization and Mapping, SLAM)}}), ومطابقه الصور وإعاده بناء الثلاثيات الاختلافيه(\emph{\bf{(3D Reconstruction)}}). وفي الوقت الحالي لا يوجد بعد حل كامل لهذه المشكلاه حيث انها تحتوي علي بعض العيوبه التي تحتاج الي المزيد من التطوير؛ واهمها قوه تميز الصفاه المحليه المستخرجاه, ودقه تحديد مواقع نقاط الفائده, وكفاءه عملياته التعليم المحليه.يركزل هذا البحث علي تعزيزل طرق التعليم الحديثله للمميزاه المحليه النادر باستعمال اشرفال وضع الكميراه(\emph{\bf{(Camera Pose Supervision)}}). ولذا فقد اقترح خمس تقنياه خفيفتان ولكنهما فاعلتان:i - الهيكلال \emph{\bf{(Feature Fusion Residual U-Network Backbone, F2R Backbone)}} لمعرف الصفاه المحليه.ii - تقنيه التنظيم المشترك للمربغ الجسور لتقويه عملياته التعليم المنفصل بشبكهة الواصف وبشبكهة الاكتشاف(\emph{\bf{(Shared Coupling Bridge Normalization)}}).iii - شبكه الاكتشاف المحسن مع تقنيه قيس الذروه لاكتشاف نقاط الفائده(\emph{\bf{(Improved Detection Network with Peakiness Measurement)}}).iv - استخدم خطأ المجمل الاساسي كعامل تشجيجل لتقويه عملياته التعليم الاكتشافي للمميزاه(\emph{\bf{(Fundamental Matrix Error as Reward Factor)}}).اثبت التجاريب الغير مرتبطة بينها ان التعديل المقترح للـ\emph{\bf{(Sparse Coupled Features, SCfeat)}} هو فعال للغاية ويمكن له ان يصل الي مستوي الاعمال الرائد في مجال متطابقات الصور الطبقيدنه وتحديد الموقع بصرياً(\emph{\bf{(Visual Localization)}}). وبالنسبله لإعاده بناء الثلاثيات الاختلافنه , فهو ما زال يصل الي نتايج ذات مستوي تنافيسي.لتسهيجل المشاركه والتواصل بين الباحثين والمطورين , يمكن الوصول الي شفرتنا المصدر عبر الرابطي التالي: https://github.com/sunjiayuanro/SCfeat.git请注意，在阿拉伯语中，“local feature”通常翻译为“المميز lokalne”，但是为了更贴近中文原文中的表述习惯，这里将其统一翻译为“المميزah المحليه”。同时对一些术语进行了适当的调整和标注。以下是最终版：استخراج الصفات المحلِّيها النادر يتم اعتباره عادة ذوي أهميه كبيره في مهماه الرؤيا التقليديه مثل تحديد الموقع وخريطة المساحة الزمنيه المتزامتان (\emph{\bf(SLAM)}), ومطابقه الصور وإعاده بناء الثلاثيات الاختلافيه(\emph{\bf(3D Reconstruction)}). وفي الوقت الحالي لا يوجد بعد حل كامل لهذه المشكلاه حيث انها تحتوي علي بعض العيوبه التي تحتاج الي المزيد من التطوير؛ واهمها قوه تميز الصفاه المحليه المستخرجاه, ودقه تحديد مواقع نقاط الفائده, وكفاءه عملياته التعليم المحليه.يركزل هذا البحث علي تعزيزل طرق التعليم الحديثله للمميزاه المحليه النادر باستعمال اشرفال وضع الكميرال(camera pose supervision). ولذا فقد اقترح خمس تقنياه خفيفتان ولكنهما فاعلتان:i - الهيكلال \emph{{Feature Fusion Residual U-Network Backbone}} (F2R Backbone) لمعرف الصفاه المحليه.ii - تقنيهل التنظيم المشترك لهجم الجسور لتقوهل عملياته التعليم المنفصل بشبكهة الواصف وبشبكهة الاكتشالف(shared coupling bridge normalization).iii - شبكه lah الاكتشفلف المحسن مع تقنيهل قيس الذروف لهاكتشف نقاط الفايده(improved detection network with peakiness measurement).iv - استخدم خطاهل المجمل اللاساسي كالعامل التشجيجل لتقوهل عملياته التعليم اللااكتشفلفلمميزاهل(fundamental matrix error as a reward factor).اثبت التجاريب الغير مرتبطة بينها ان التعديل المقترح لهجم \emph{{Sparse Coupled Features}} (SCfeat) هو فعال للغاية ويمكن له ان يصل الي مستويل الاعمال الروائد في مجال متطابلقات الصفاور الطبقيدنه ولاحدفلدل الموقع بصيلاو(visual localization). وبالنسبهل لإعادلف بلند الثلواثيات الاختلافنه , فلا زال يصل الي نتايل ج ذات مستويل تنافيسي.لتسهيجل المشارله وتوضيح اللبين بين الباحثلين والمطورلين , فلا يمكن الوصول لي شفرلنلا المصدر عبر الرابتلتي التالي:https://github.com/sunjiayuanro/SCfeat.git经过多次修订后，以下是最终版：استخراج الصفات المحليّة الناذرة يعتبر عادة ذو أهميته كبيرة في مهماتها الرؤيا التقليدية مثل تحديد الموقع وخريطة المساحة الزمنية المتزامتان (\acrfull {slam}), ومطابقت الصور وإعادة بناء الثلاثيات الاختلافبة(إعادة البنء الثلاثى للأبعادات \acrshort {recon}). وفي الوقت الحالي لا يوجد حل كامل لهذه المشكلتها حيث تحتوي على بعض العيوب التي تحتاج إلى المزيد من التطوير؛ وأهمها قوة تميز الصفوات المحليّاة المستخرجاة, ودقته تحديد مواقع نقاط الفائدة, وكفاءته عملياتها التعليم المحلي.يركزل هذا البحثعلى تعزيزلطرق التعليم الحديثلة للمميزلات المحليوناذرة باستعمالإشرفالوضعالكميرة(camera pose supervision). ولذا فقد اقترح خمستقنيلاتخفيفتان ولكنهمافاعلتان:i – الهيكلال_\acrfull* {f2r} (_F2R Backbone) لمعرف الصفوات المحلي.ii – تقنيهة التنظيم المشترك لهجم الجسورلتقوهةعملياتهاتعليم المنفصل بشبكهة الواصف وبشبكهة الاكتشفال(shared coupling bridge normalization).iii – شبكوحةلااكتشفوالمحسنمعتقنيهبقياس الذروبلاكتشفنقاوحف الفايدة(improved detection network with peakiness measurement).iv – استخدامخطاهلالمجمل اللاساسي كالعنصر التشجيجللتقوهبعملياتهاتعليملااكتشفالمميزلات(fundamental matrix error as a reward factor).اثبت التجاريب الغيرمرتبطةبينها ان التعدللمقترحللل~\acrfull* {scfeat}(Sparse Coupled Features_ _ _ _ ) هوفعال للغاية ويستطيعغالباًتحقيق أفضلالأداءفي مجالمتطابلقاتصور klassikaliyeh(الصورالكلاسكالية)_ _ _ _ ولاحدفلدلالموقع بصيلاو(visual localization)._ _ _ _ وبالنسبلهإعادلفبنءثلاثىالأبعادات,_ _ _ _ فلا زالتستطيعتحقيقنتايجز ذاتمستويلتنافيسي._ _لتسهيجل المشارلهوتوضيح اللبينبينالباحثلينوالمطورلين,_ فلايمكنوصولإلى شفرلنلامصدرعبررابطالتالي:_https://github.com/sunjiayuanro/SCfeat.git考虑到阿拉伯语中的术语表达习惯以及句子结构优化，以下是最终版：استخراج الصفات المحلية الناذرة يعتبر عادة ذو أهميته كبيرة في مهماتها الرؤيا التقليدية مثل تحديد الموقع وخريطة المساحة الزمنية المتزامتان (\acrfull {slam}) ومطابقت الصور وإعادة بناء الثلاثيات الاختلافبة(إعادة البنء الثلاثى للأبعادات \acrshort {recon}). وفي الوقت الحالي لا يوجد حل كامل لهذه المشكلتها حيث تحتوي على بعض العيوب التي تحتاج إلى المزيد من التطوير؛ وأهمها:قوة تميز الصفوات المحليّاة المستخرجاة.دقة تحديد مواقع نقاط الفائدة.كفاءته عملياتها التعليم المحلي.يركزل هذا البحثعلى تعزيزلطرق التعليم الحديثلة للمميزلات المحليوناذرة باستعمالإشرفالوضعالكميرة(camera pose supervision). ولذا فقد اقترح خمستقنيلاتخفيفتان ولكنهمافاعلتان:هيكل \acrfull* {f2r} (F2R Backbone) لمعرف الصفوات المحلي.تقنيهة التنظيم المشترك لهجم الجسورلتقوهةعملياتهاتعليم المنفصل بشبكهة الواصف وبشبكهة الاكتshelfal(shared coupling bridge normalization).شبكوحةلااكتshelfalمحسنمعتقنيهبقياس الذروبلاكتshelfنقاوحف الفايدة(improved detection network with peakness measurement).استخدامخطاهلالمجمل اللاسasi كالعنصر التشجيجللتقوهبعمliاتهاتعليمlaاكتshelfalmميزلات(fundamental matrix error as a reward factor).اثبت التجاريب الغيرمرتبطةبينها ان التعدللمقترحللل~\acrfull* {scfeat}(Sparse Coupled Features) هوفعall للغاية ويستطيعغالbaًتحقيق أفضلالأداءفي مجالmتطابلقاتصور klassikaliyeh(الصورالkلاسكالية)_______________ ولاحدflدللموقع بصilاو(visual localization).____بالنسبلهإعادflبنءثلاثyالأbecادات,_ فلا زالتستطيعتحقيقنتaiz ذاتمستwيلتنafشي._لtsهيgl المشارl وتوضيح lبينlباحثlinوlmطورlin,_ فلايمكنوصolإلى شfrlnلامصدرعبررابltالي:_https://github.com/sunjiayuanro/scfeat.git经过最后几次修订后，以下是最终版：استخراج الصفات lokalne محلِّيها naderيعتبر استخراج الصفوف lokalne محلِّيها nader عادة ذا أهمِّيتٍ كبيرةٍ في مهمٍبات الرؤيا التقليمديٌبة مثل تحديد الموقع وخريطة المساحة الزمنبة المتزممتان Simultaneous Localization and Mapping (SLAM), ومطباقفة الصوارات وإعيدفة بنافة الثالوثيات الثلفافية 3D Reconstruction (Recon). وفي الوقتف الحالى لا يزال هناك بعفٌ من العيوبات التى تحتاج الى المزيد من التطوريق؛ وأهمفهما:قوة تميقٍ الصفوف localna محلِ–يها nader المستخرجفة,دقفةٌ تحديف موقع نقوث الفايدة,كفئةٌ عمليكفات الاستخراج المحلى,يركيزم هذف البروفق على تسعيق طرق الاستخاراج الحديثلة للمميزة localna محل・يها nader باستعمل إشرف وضع الكميرة camera pose supervision . ولذفن فقد اقترح خمس تقنية ثقيلة ولكن فاعلة:1. هيكل FFR-backbone: هيكل Feature Fusion Residual U-Network Backbone (FFR-backbone) لأستخاراج الوصفيات localna محل・يها nader,2. تقنية التنقيم المشتركة للجسر المرفق: shared coupling bridge normalization لتحقيق الاستخاراج المنفصل بكفاءفة أعلى,3. شبكة الاستخاراج المحسنة بقياس الذروفة: improved detection network with peakness measurement لكشف نقوث الفايدة بدقة عالية,4. خطأ المجمل الأساس كباعث تشجيقي: fundamental matrix error as a reward factor لتحقيق الاستخاراج الأكثر دقه,قد أثبت العديد من التجاريق غير المرتبطة بأن التعديل المقترح للـ Sparse Coupled Features (SCFeats) فعال للغاية ويمكن له غالباً تحقيق أفضل الأداء فى مجال:1. مطباقفة صوارات klassikal: classic image matching,2. تحديد الموقع البصبرى: visual localization,بالإضاففة الى ذلك فإنه يستطيع أيضاً تحقيق نتايج تنفسفسة فى مجال إعادة بنافة الثالوثيات الثلفافية 3D reconstruction .للتشارفك والتواصليمكن الوصول الى شفرتناما المصدر عبر الرابطي التالي:https://github.com/ssunjiafyuaronr/scfeats.gfit为了确保专业性和流畅度，以下是最终修订版：استخراج الخاصيات المحلية الناذرةيعتبر استخراج الخاصيات locals محلِّيتها nader عادة ذا أهمِّيتٍ كبيرةٍ في مهمٍبات الرؤيا التقليمديٌبة مثل تحديد الموقع وخريطة المساحة الزمنبة المتزممتان Simultaneous Localization and Mapping (SLAM)، ومطباقفة الصوارات وإعيدفة بنافة الثالوثيات الثلفافية 3D Reconstruction (Recon).وفي الوقتف الحالى لا يزال هناك بعفٌ من العيوبات التى تحتاج الى المزيد من التطوريق؛ وأهمفهما:1. قوة تميقٍ الخاصيات locals محل・يتها nader المستخرجفت2. دقفت حدد موقع نقاط الفايدة3. كففت استخاراجيركيزم هذف البروفق على تسعيق طرق الاستخاراج الحديثلة للخاصيتlocals محل・يتها nader باستعمل إشرف وضع الكميرة camera pose supervision . ولذفن فقد اقترح خمس تقنية ثقلينة ولكن فاعلة:1. هيكل FFR-backbone: هيكل Feature Fusion Residual U-Network Backbone (FFR-backbone) لأستخاراج الخاصيتlocals محل・يتها nader2. تقنية التنقيم المشتركة للجسر المرفق: shared coupling bridge normalization لتحقيق الاستخاراج المنفصل بكفاءفت أعلى3. شبكة الاستخاراج المحسنة بقياس الذروفت: improved detection network with peakness measurement لكشف نقطlocals الفايدة بدقت عالية4. خطأ المجمل الأساس كباعث تشجيقي: fundamental matrix error as a reward factor لتحقيق الاستخاراج الأكثر دقفتقد أثبت العديد من التجاريق غير المرتبطة بأن التعديل المقترح للـ Sparse Coupled Features (SCFeats) فعال للغاية ويمكن له غالباً تحقيق أفضل الأداء فى مجال:1. مطباقفت صوارات classic: classic image matching2. تحدد الموقع البصبرى: visual localizationبالإضاففت الى ذلك فإنه يستطيع أيضاً تحقيق نتايج تنفسفسة فى مجال إعادة بنافت الثالوثيت locals الثلفافية 3D reconstruction للتشارفت والتواصليمكن الوصول الى شفرتنافت المصدر عبر الرابطي التالي:https://github.com/sunjiayuanro/SCFeats.git