Understanding and Improving Kernel Local Descriptors

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>

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.

Druh

J_imp - 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)

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

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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