Understanding and Improving Kernel Local Descriptors
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00327259" target="_blank" >RIV/68407700:21230/19:00327259 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/s11263-018-1137-8" target="_blank" >https://doi.org/10.1007/s11263-018-1137-8</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/s11263-018-1137-8" target="_blank" >10.1007/s11263-018-1137-8</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Understanding and Improving Kernel Local Descriptors
Popis výsledku v původním jazyce
We propose a multiple-kernel local-patch descriptor based on efficient match kernels from pixel gradients. It combines two parametrizations of gradient position and direction, each parametrization provides robustness to a different type of patch mis-registration: polar parametrization for noise in the patch dominant orientation detection, Cartesian for imprecise location of the feature point. Combined with whitening of the descriptor space, that is learned with or without supervision, the performance is significantly improved. We analyze the effect of the whitening on patch similarity and demonstrate its semantic meaning. Our unsupervised variant is the best performing descriptor constructed without the need of labeled data. Despite the simplicity of the proposed descriptor, it competes well with deep learning approaches on a number of different tasks.
Název v anglickém jazyce
Understanding and Improving Kernel Local Descriptors
Popis výsledku anglicky
We propose a multiple-kernel local-patch descriptor based on efficient match kernels from pixel gradients. It combines two parametrizations of gradient position and direction, each parametrization provides robustness to a different type of patch mis-registration: polar parametrization for noise in the patch dominant orientation detection, Cartesian for imprecise location of the feature point. Combined with whitening of the descriptor space, that is learned with or without supervision, the performance is significantly improved. We analyze the effect of the whitening on patch similarity and demonstrate its semantic meaning. Our unsupervised variant is the best performing descriptor constructed without the need of labeled data. Despite the simplicity of the proposed descriptor, it competes well with deep learning approaches on a number of different tasks.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
International Journal of Computer Vision
ISSN
0920-5691
e-ISSN
1573-1405
Svazek periodika
127
Číslo periodika v rámci svazku
11-12
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
15
Strana od-do
1723-1737
Kód UT WoS článku
000492425300009
EID výsledku v databázi Scopus
2-s2.0-85074163686