Explicit Spatial Encoding for Deep Local Descriptors

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00333112" target="_blank" >RIV/68407700:21230/19:00333112 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/8954243/keywords#keywords" target="_blank" >https://ieeexplore.ieee.org/document/8954243/keywords#keywords</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CVPR.2019.00962" target="_blank" >10.1109/CVPR.2019.00962</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Explicit Spatial Encoding for Deep Local Descriptors

Popis výsledku v původním jazyce

We propose a kernelized deep local-patch descriptor based on efficient match kernels of neural network activations. Response of each receptive field is encoded together with its spatial location using explicit feature maps. Two location parametrizations, Cartesian and polar, are used to provide robustness to a different types of canonical patch misalignment. Additionally, we analyze how the conventional architecture, i.e. a fully connected layer attached after the convolutional part, encodes responses in a spatially variant way. In contrary, explicit spatial encoding is used in our descriptor, whose potential applications are not limited to local-patches. We evaluate the descriptor on standard benchmarks. Both versions, encoding 32x32 or 64x64 patches, consistently outperform all other methods on all benchmarks. The number of parameters of the model is independent of the input patch resolution.

Název v anglickém jazyce

Explicit Spatial Encoding for Deep Local Descriptors

Popis výsledku anglicky

We propose a kernelized deep local-patch descriptor based on efficient match kernels of neural network activations. Response of each receptive field is encoded together with its spatial location using explicit feature maps. Two location parametrizations, Cartesian and polar, are used to provide robustness to a different types of canonical patch misalignment. Additionally, we analyze how the conventional architecture, i.e. a fully connected layer attached after the convolutional part, encodes responses in a spatially variant way. In contrary, explicit spatial encoding is used in our descriptor, whose potential applications are not limited to local-patches. We evaluate the descriptor on standard benchmarks. Both versions, encoding 32x32 or 64x64 patches, consistently outperform all other methods on all benchmarks. The number of parameters of the model is independent of the input patch resolution.

Druh

D - Stať ve sborníku

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)

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

CVPR 2019: Proceedings of the 2019 IEEE Conference on Computer Vision and Pattern Recognition

ISBN

978-1-7281-3293-8

ISSN

1063-6919

e-ISSN

2575-7075

Počet stran výsledku

10

Strana od-do

9386-9395

Název nakladatele

IEEE

Místo vydání

—

Místo konání akce

Long Beach

Datum konání akce

15. 6. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—