Wiederholbarkeit reicht nicht aus: Lernen von affinen Regionen durch Differenzierbarkeit

Es wird eine Methode zur Lernung lokaler affin-kovarianter Regionen vorgestellt. Wir zeigen, dass die Maximierung der geometrischen Wiederholbarkeit nicht zu lokalen Regionen, auch bekannt als Merkmale, führt, die zuverlässig zugeordnet werden können, und dies erfordert lernbasierte Deskriptoren. Wir untersuchen Faktoren, die solches Lernen und Registrieren beeinflussen: die Verlustfunktion, den Deskriptortyp, die geometrische Parametrisierung sowie das Spannungsfeld zwischen Zuordnungsfähigkeit und geometrischer Genauigkeit und schlagen eine neuartige Verlustfunktion mit hartem negativem Konstantenwert für das Lernen von affinen Regionen vor. Der affine Formenschätzer – AffNet –, der mit der harten negativen Konstantenverlustfunktion trainiert wurde, übertrifft den Stand der Technik bei der Bildsuche mittels Bag-of-Words-Verfahren und beim breitbasigen Stereo. Der vorgeschlagene Trainingsprozess erfordert keine präzise geometrisch ausgerichteten Patchs. Die Quellcodes und trainierten Gewichte sind unter https://github.com/ducha-aiki/affnet verfügbar.