要約
局所特徴フレームワークは、疎なキーポイントの選択とマッチングに固有の離散性のため、エンドツーエンドで学習することが困難です。本稿では、これらの障壁を克服するために強化学習（Reinforcement Learning: RL）の原理を活用した新しい手法であるDISK（DIScrete Keypoints）を提案します。この手法は、多くの正解の特徴マッチングを最適化することを目指しており、エンドツーエンドでの学習が可能です。我々の単純ながら表現力豊かな確率モデルにより、学習と推論のプロセスを近づけつつ、十分な収束性を維持して初期から信頼性のある学習を行うことができます。我々の特徴量は非常に密に抽出することができつつも識別力があり、図1に示すように、良いキーポイントとは何かという一般的な認識に挑戦しています。さらに、3つの公開ベンチマークにおいて最先端の結果を達成しています。