0、basic info

 Ma J , Jiang X , Jiang J , et al. Robust Feature Matching Using Spatial Clustering With Heavy Outliers[J]. IEEE Transactions on Image Processing, 2019, PP(99):1-1.

1、method essence

1. 原理： Motion consistency – small local neighborhood
2. 具体细节：

将feature matching 转化为spatial sample，基于noise sample，进行聚类；非clusters的sample，视作outlier

2、step1、putative matches

略

3、step2、feature matching –2—spatial sample

1. putative matches
2. motion vector

4、step3、space clustering

4.1、 RFM-SCAN

多次迭代，改进DBSCAN:

4.2、 input参数设置

通过实验（不同参数值；F-score为指标；多种数据集：30 randomly chosen image
pairs involving different types of transformations），得到全局最优参数

4.3、K-dist

4.3.1、K

N：sample number

4.3.2、距离测度

 enhance the motion consistence among neighboring feature points

• 

distance measurement function：Gaussian kernel distance //Euclidean distance(本文)

4.4、自适应参数

通过实验说明：predefined parameter 效果不好
衡量指标：recall、precision、F-score

补充知识：DBSCAN启发式参数设置

4.4.1、邻域距离

• 
• 

4.4.2、MinPt = k

5、改进后：DBSCAN

5.1、Step3：基于上文，计算自适应参数邻域距离、MinPt

5.2、Step4：计算core sample

此方法，对cluster border inliers而言，不稳定，容易造成误判
解决办法：density-based inlier(见下文5.3);

5.3、Step5：计算density-based inlier samples

5.4、Step6：Label outlierID

6、实验结果

1. 代码语言
2. 设备信息
3. 结果显示：show at most 200 feature matches
4. Ground truth：manually checking
5. Robust to image rotation && scale (small neighborhood内的motion consistency仍成立)
6. State-of-the-art feature matching methods：
   

[18] X. Li and Z. Hu, “Rejecting mismatches by correspondence function,”
Int. J. Comput. Vis., vol. 89, no. 1, pp. 1–17, 2010.
[22] H. Liu and S. Yan, “Common visual pattern discovery via spatially
coherent correspondence,” in Proc. IEEE Conf. Comput. Vis. Pattern
Recognit., Jun. 2010, pp. 1609–1616.
[11] J. Ma, J. Wu, J. Zhao, J. Jiang, H. Zhou, and Q. Z. Sheng, “Nonrigid
point set registration with robust transformation learning under manifold
regularization,” IEEE Trans. Neural Netw. Learn. Syst., to be published.
doi: 10.1109/TNNLS.2018.2872528.
[1] J. Ma, J. Zhao, J. Jiang, H. Zhou, and X. Guo, “Locality preserving
matching,” Int. J. Comput. Vis., vol. 127, no. 5, pp. 512–531, 2019.
[5] K. M. Yi, E. Trulls, Y. Ono, V. Lepetit, M. Salzmann, and P. Fua,
“Learning to find good correspondences,” in Proc. IEEE Conf. Comput.
Vis. Pattern Recognit., Jun. 2018, pp. 2666–2674.

• LFGC：high precision but low recall

7. 数据集：

8. 定量分析：precision – recall running time
9. RFM-SCAN（本文方法）：outlier incresing

原因：

10. 应用：co-segmentation

• Initial segmentation：super-pixel segmentation method – linear spectral clustering
• Matches number — background // foreground

适用情况 ：前背景matches number 相差较大

• 定量分析分割效果：
  指标：
  
• State-of-art methods：
• 

[47] K. R. Jerripothula, J. Cai, and J. Yuan, “Image co-segmentation
via saliency co-fusion,” IEEE Trans. Multimedia, vol. 18, no. 9,
pp. 1896–1909, Sep. 2016.
[48] X. Dong, J. Shen, L. Shao, and M.-H. Yang, “Interactive cosegmentation
using global and local energy optimization,” IEEE Trans. Image
Process., vol. 24, no. 11, pp. 3966–3977, Nov. 2015.
[49] W. Wang and J. Shen, “Higher-order image co-segmentation,” IEEE
Trans. Multimedia, vol. 18, no. 6, pp. 1011–1021, Jun. 2016.

【论文阅读】23-Robust Feature Matching Using Spatial Clustering With Heavy Outliers相关推荐

1. [论文阅读] (23)恶意代码作者溯源(去匿名化)经典论文阅读：二进制和源代码对比

   <娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...

2. 论文阅读——《Robust Superpixel Tracking》

   论文阅读--<Robust Superpixel Tracking> 论文阅读--<Robust Superpixel Tracking> <Robust Superpi ...

3. 论文阅读|node2vec: Scalable Feature Learning for Networks

   论文阅读|node2vec: Scalable Feature Learning for Networks 文章目录 论文阅读|node2vec: Scalable Feature Learning ...

4. 论文阅读 [TPAMI-2022] Ball $k$k-Means: Fast Adaptive Clustering With No Bounds

   论文阅读 [TPAMI-2022] Ball kkkk-Means: Fast Adaptive Clustering With No Bounds 论文搜索(studyai.com) 搜索论文: B ...

5. 自监督论文阅读笔记 Urban feature analysis from aerial remote sensing imagery using self-supervised and semi-s

   "Urban feature analysis from aerial remote sensing imagery using self-supervised and semi-super ...

6. 论文阅读：Pyramidal Feature Shrinking for Salient Object Detection

   论文地址:https://ojs.aaai.org/index.php/AAAI/article/view/16331 发表于:AAAI 2021 I. Intro 这个网络是用来做显著目标检测的 核 ...

7. 论文阅读报告：Feature Selection for Multi-label Classification Using Neighborhood Preservation，Zhiling Cai

   文章目录 1. 论文出处 2. 流程(示意图) 3. 预备知识 3.1 相似性保持特征选择(Similarity Preserving Feature Selection) 3.2 多标签 4. 论文 ...

8. 论文阅读23 - Mixture Density Networks(MDN)混合密度网络理论分析

   Mixture Density Networks 最近看论文经常会看到在模型中引入不确定性(Uncertainty).尤其是MDN(Mixture Density Networks)在World Mo ...

9. 论文阅读：An Empirical Study of Spatial Attention Mechanisms in Deep Networks

   1.研究空间注意力机制. (1)Transformer attention 处理自然语言序列的模型有 rnn, cnn(textcnn),但是现在介绍一种新的模型,transformer.与RNN不同 ...

10. 论文阅读：FFA-Net: Feature Fusion Attention Network for Single Image Dehazing

    代码:https://github.com/zhilin007/FFA-Net 目录 1. 摘要 2. 网络结构 2.1 Feature Attention(FA) Channel Attention ...

最新文章

1. Ubuntu使用wget下载zabbix的扩展源
2. 爬虫python爬取页面请求_Python网络爬虫第三弹《爬取get请求的页面数据》
3. 前端跨域请求get_HTTP--跨域真的有这么难吗
4. java textfield 数字,如何将整数转换为文本以便在textfield java-blackberry中使用
5. 2345电脑管家_2345软件管家下载|2345软件管家 2.0 官方正式版
6. 富文本存储型XSS的模糊测试之道
7. Docker Compose配置springboot微服务项目
8. springmvc常用注解与类型转换
9. axis2生成客户端代码_利用ApiPost一键、快速生成接口文档！女猿也过38节！
10. 金蝶ERP实现产品入库冲减生产现场虚仓毛坯数
11. 用户名登陆时如何在后面加一个小红*_最后一个登陆框引起的血案
12. Spring-IOC本质
13. 微信逆向：如何统计好友添加数据和聊天记录数据？
14. 2015—2016年QS世界大学排名200强－［转］
15. Address Sanitizer（Asan）原理及相关GCC选项列表
16. ubuntu下好用的录屏软件之Vokoscreen
17. 机器学习从抬脚到趴倒在门槛No.34
18. 吴恩达机器学习神经网络 8-1非线性假设
19. 什么是多尺度密集网络 - MSDNet ？
20. 重庆师范大学计算机技术排名,2017年重庆师范大学专业排名

热门文章

1. Win7 安装PECL
2. Gimp 替换白色背景
3. 百度推广系列之优化之笔
4. SSL2706 2017年8月17日提高组T2 考试（贪心）
5. 【百炼oj】2706:麦森数
6. matlab 三角函数 积化和差,三角函数积化和差与和差化积公式
7. python类和对象最全详解（持续修订中）
8. es2015学习笔记经典入门教程
9. linux实验报告ALU,《linux内核分析》第一次课 实验作业
10. 电脑磁盘分区、合并的方法指南！