La Répétabilité Ne Suffit Pas : Apprentissage de Régions Affines par Discrimination

Une méthode pour l'apprentissage de régions locales affines covariantes est présentée. Nous démontrons que la maximisation de la répétabilité géométrique ne conduit pas à des régions locales, également appelées caractéristiques, qui soient fiablement appariées, ce qui rend nécessaire l'apprentissage basé sur les descripteurs. Nous explorons les facteurs influençant un tel apprentissage et une telle mise en correspondance : la fonction de perte, le type de descripteur, la paramétrisation géométrique et le compromis entre l'appariabilité et la précision géométrique, et nous proposons une nouvelle fonction de perte constante négative difficile pour l'apprentissage de régions affines. L'estimateur de forme affine -- AffNet -- formé avec cette fonction de perte constante négative difficile surpassent l'état de l'art dans la recherche d'images par sacs de mots et dans la stéréoscopie à base large. Le processus d'entraînement proposé ne nécessite pas des patchs alignés géométriquement avec précision. Les codes sources et les poids entraînés sont disponibles à l'adresse https://github.com/ducha-aiki/affnet.