要約
局所アフィン共変領域の学習手法が提案されています。本研究では、幾何学的な再現性を最大化するだけでは信頼性のあるマッチングが得られず、記述子に基づく学習が必要であることを示しています。また、そのような学習と登録に影響を与える要因について検討し、損失関数、記述子の種類、幾何学的パラメータ化、マッチング可能性と幾何学的精度のトレードオフについて考察します。そして、アフィン領域の学習のために新しいハードネガティブ定数損失関数を提案します。このハードネガティブ定数損失を使用して訓練されたアフィン形状推定器（AffNet）は、Bag-of-Words画像検索や広基線ステレオにおいて最先端の性能を達成しています。提案された訓練プロセスは、正確な幾何学的アライメントが不要です。ソースコードおよび訓練済みの重みは、https://github.com/ducha-aiki/affnet で入手可能です。