The task of finding correspondences

The task of finding correspondences between two images of the same scene orobject is part of many computer vision applications. Camera calibration, 3Dreconstruction, image registration, and object recognition are just a few. Thesearch for discrete image correspondences – the goal of this work – can be divided into three main steps. First, ‘interest points’ are selected at distinctivelocations in the image, such as corners, blobs, and T-junctions. The most valuable property of an interest point detector is its repeatability, i.e. whether itreliably finds the same interest points under different viewing conditions. Next,the neighbourhood of every interest point is represented by a feature vector. Thisdescriptor has to be distinctive and, at the same time, robust to noise, detection errors, and geometric and photometric deformations. Finally, the descriptorvectors are matched between different images. The matching is often based on adistance between the vectors, e.g. the Mahalanobis or Euclidean distance. Thedimension of the descriptor has a direct impact on the time this takes, and alower number of dimensions is therefore desirable.It has been our goal to develop both a detector and descriptor, which incomparison to the state-of-the-art are faster to compute, while not sacrificingperformance. In order to succeed, one has to strike a balance between the aboverequirements, like reducing the descriptor’s dimension and complexity, whilekeeping it sufficiently distinctive.

Результаты (русский) 1:

Задача поиска соответствий между двумя изображениями и той же сцены или
объекта является частью многих приложений компьютерного зрения. Калибровка камеры, 3D
реконструкция, регистрация изображений и распознавание объектов всего лишь несколько.
Поиск дискретных соответствий изображения - цель данной работы - можно разделить на три основных этапа. Во- первых, «точек интереса» выбираются в отличительных
местах в изображении, таких как углы, капли и Т-переходов. Самым ценным свойством детектора интерес точка является его воспроизводимость, то есть ли она
надежно обнаруживает те же самые точки интересов в различных условиях наблюдения. Далее,
окрестность каждой процентной точки представлена характеристический вектор. Эта
Дескриптор должен быть отличительным и, в то же время, устойчивым к шуму, ошибки обнаружения и геометрических и фотометрических деформаций. Наконец, дескрипторы
векторы совпадают между различными изображениями. Совпадение часто на основе
расстояния между векторами, например Махаланобиса или евклидово расстояние.
Размер дескриптора имеет прямое влияние на время это берет, и
меньшее число измерений Поэтому желательно.
Это была наша цель развивать как детектор и дескриптор, который в
сравнении с государством-оф-искусства быстрее вычислений, не жертвуя при этом
производительность. Для того , чтобы добиться успеха, необходимо соблюсти баланс между выше
требования, такие как сокращение размерности дескриптора и сложности, в то время
держать его достаточно своеобразны.

Результаты (русский) 2:

Задача поиска корреспонденции между двумя изображениями одной и той же сцены или
объект является частью многих приложений компьютерного зрения. Калибровка камеры, 3D
реконструкции, регистрации изображений и распознавания объектов – это лишь некоторые из них. Teh
поиск дискретных изображений корреспонденции - цель этой работы - можно разделить на три основных шага. Во-первых, «точки интереса» выбираются в
места на изображении, такие как углы, капли и Т-соединения. Наиболее ценным свойством детектора процентных точек является его повторяемость, т.е. является ли это
надежно находит одни и те же точки интереса при различных условиях просмотра. Следующий
соседство каждой точки интереса представлено вектором функции. Это
дескриптор должен быть отличительным и, в то же время, надежным для шума, ошибки обнаружения, и геометрические и фотометрические деформации. Наконец, дескриптор
векторы сопоставляются между различными изображениями. Соответствие часто основано на
расстояние между векторами, например, Махаланобис или Евклидов. Teh
размер дескриптора имеет прямое влияние на время, которое это занимает, и
поэтому желательно, чтобы их число было более низким.
Нашей целью было разработать как детектор, так и дескриптор, который в
по сравнению с состоянием современных быстрее вычислить, не жертвуя
Производительности. Для того, чтобы добиться успеха, необходимо найти баланс между вышеуказанными
требования, такие как уменьшение размера и сложности дескриптора, в то время как
сохраняя его достаточно отличительным.

Результаты (русский) 3:

задача найти соответствие между двумя изображениями одной и той же сцены
объект является частью многих компьютерных визуальных приложений.калибровка камер, 3D
реконструкция, согласование изображений и идентификация целей - это лишь часть этого.этот
поиск корреляции дискретных изображений - цель этой работы - можно разделить на три основных шага.Во - первых, "точка интереса" в
расположение в изображении, например, точки угла, пятна и т - образные точки пересечения.наиболее ценной особенностью детектора точки заинтересованности является его повторяемость, т.е.
в различных условиях наблюдения можно надежно найти одно и то же.следующий:
окрестности каждой точки интереса обозначены вектором характеристики.этот
описание должно быть уникальным, в то время как шум, погрешность обнаружения и геометрическая и фотометрическая деформация должны быть стержневыми.последний дескриптор
совпадение векторов между разными изображениями.совпадение обычно основано на
расстояние между векторами, например, между маресом или евклидом.этот
измерение дескриптора непосредственно влияет на время, и
Поэтому желательно иметь более низкий размер.
наша цель - разработать детектор и описание, внутри
по сравнению с новейшей технологией вычисление происходит быстрее, не принося при этом в жертву
шоу.для того чтобы добиться успеха, мы должны добиться равновесия между этими двумя факторами.
требуется, например, уменьшить размерность и сложность описываемых элементов
Сохраняйте достаточную уникальность.