图像兴趣点检测与描述 的深度学习方法总结_如何选择追踪哪些兴趣点深度学习

图像的兴趣点（关键点、特征点）检测和描述往往是图像配准、相机标定、场景识别、目标跟踪的首要步骤，是计算机视觉研究的重要课题。检测子的目的是为了提取可匹配的兴趣点，而描述子可用于匹配或识别，为下游任务作准备。网上很多文章[1,2]都只介绍了传统的SIFT、SURF、ORB等方法，关于深度学习的方法缺少一篇系统的总结性文章，本文将填一下这个坑。

本文重点用自己的理解介绍LIFT[3]、DeLF[4]、SuperPoint[5]、D2Net[6]几篇文章的发展脉络和创新点分析。

本文创作不易，转载请标明出处 @CSDN 窗外的千纸鹤

代表性工作

在介绍具体工作之前，先捋一下此任务的一种pipeline。 一种经典的pipeline来源于SIFT，可以分为三个模块，1）兴趣点检测子（detector）：目的是检测出可匹配的点，输出的是这些点的坐标 { x , y } \{x,y\} {x,y}, 如果考虑尺度不变性（可参考我的下一篇文章），还返回该点的尺度。然后会以检测子为中心，根据尺度的大小取周围的像素点生成一个patch送入后面两个模块。2) 主方向估计子（Orientation Estimator）（非必须）：目的是找到该patch的主方向，从而使描述子具有旋转不变性。3）特征描述子（descriptor）：目的是为下游任务（如匹配、识别）作准备。

纵观整个pipeline, 其中最重要的是detector和descriptor。 而descriptor很容易学，CNN+对比损失 即可。我比较感兴趣的是detector, 根据SIFT的指导思想，找出具有局部差异性的点，而且是尺度空间的极值点，即“在尺度空间和坐标空间同时搜索极值点”。然而，因为SIFT不存在训练的过程，它自然不需要人告诉它关键点在哪，即不需要标签。但是，深度学习不需要标签怎么能行？且看下面这些方法如何解决这个问题。

1. LIFT (2016)

这是深度学习detector和descriptor的早期作品，我读完获得很多知识和灵感。废话不多说，先上这个模型的创新点

1.1 模型创新点

• 将上述三个模块统一成端到端的模式，并保持可微分性。这是作者放在摘要的一句话，可见是他认为全文最大的创新点。为什么这个点这个值得一提呢，因为这个任务里端到端有几个难点，1）detector返回一个坐标，这个过程怎么形式化表述，怎么保证他可微？2）端到端意味着将最后只会监督描述子，那么detector和Orientation Estimator没人监督（隐式表征），你怎么保证这个两个模块学的好？网络能收敛吗？待会且看这篇文章如何解决这个问题
• 效果上，比SIFT好，而且三个模块任何一个模块改成SIFT的方法就会变差，说明模型的设计不是纸上谈兵的。

1.2 模型实现

detector如何输出坐标，并保持可微分性？

在detector阶段，有两个Patch概念需要厘清，第一个patch P是网络的输入，文章假设一个patch只有一个关键点。在patch中提取出关键点后，再其周围再生成一个小patch p, 由于后面两个模块，显然p 是 P 的子集。

为了获得关键点的位置，作者先用一个CNN生成score map, 然后用softmax建立权重，最后使用patch内部的坐标加权得到（如下面的公式所示）。

如何监督隐式表征的检测子？

首先是关键点的标签：来自于SIFT+SfM产生，具体操作可以参考原论文
作者使用了两种损失函数监督，一种是结果导向型的目标函数，一种是分类的损失函数

• 结果导向型：
  图中$P^1,P^2$表示正样本，即是同一个目标区域但是不同视点下的图像。
  作者用了一种很巧妙的训练策略，就是我先基于SIFT+SfM作为检测子把方向估计子和特征描述子的CNN预训练一下，然后反过来再来训练我自己的检测子。如下式子所示，$h_{\rho }$是描述子，G是方向估计子，都是训练好的，只有$f_{\mu }$检测子未训练，所以虽然我监督的是正样本的特征距离，但是我只学习检测子，理论上当两个patch检测到的位置一致时，他们的特征距离时最小的。
  
• 分类损失：
  $P^1,P^2,P^3$都含有关键点，但是$P^4$没有，因此可以类似分类的思想，让前三个P的score的最大值变大（用了一个relu防止score到无穷），$P^4$的score最大值变小。
  

1.3 局限性

• 非单一网络：三个模块各自需要一个网络，且需要各自监督，不太unified
• 需要借助SIFT+SfM模块：关键点的标签由别人的模型产生，那么你的关键点检测子的上限是否就是别人的模型了呢
• 速度慢：三个网络，逐个patch卷积

---

2. DeLF (2017)

这篇文章的架构与上篇文章有很大不同：首先，这个模型用于图像检索而不是图像配准；其次，这不是端到端的架构而是“显示(explicit)“地监督检测子和描述子; 然后，这篇文章没有方向估计子模块，而是让网络自己学习旋转不变性。所以DeLF和LIFT属于两个流派，那么DeLF给这个领域带来了什么贡献呢，看下面的创新点部分

2.1 创新点

• 先描述再检测。传统的Pipeline都是先检测出关键点，然后进行关键点描述。这种模式的问题是检测子基于的是低级的特征。而DeLF的模式是先训练特征图，然后再在特征图上面检测关键点，好处是检测子基于的是高级语义特征。
• 基于注意力的关键点选取。如图(b)的黄色部分，通过在降采样的特征图上进行注意力机制得到关键点权重，然后经过特征加权得到全局特征，再用一个地标分类器（MLP）去拟合标签。（注意力具体怎么用文章根本没有介绍，后续可以参考其代码）

2.2 检测子训练方法

也是一种间接的方式，没有直接训练检测子，而是将检测子的分数作为权重 加权求和特征，最后去监督特征。

---

3. SuperPoint (2018)

十分精妙且易读的文章，非常值得一看！

关于SuperPoint与LIFT的差异，作者给出了下面这个表格，结合我前面分析的LIFT的局限性，可以很好地理解。当然还有一些其他差别，我放在创新点部分总结。

4. D2Net

以上大多是个人理解，如有问题欢迎指正
转载请注明出处@CSDN 窗外的千纸鹤

参考文献

1. https://zhuanlan.zhihu.com/p/128937547
2. https://blog.csdn.net/blateyang/article/details/76512398
3. Kwang Moo Yi, Eduard Trulls, Vincent Lepetit, and Pascal Fua. Lift: Learned invariant feature transform. In European conference on computer vision, pages 467–483. Springer, 2016.
4. Hyeonwoo Noh, Andre Araujo, Jack Sim, Tobias Weyand, and Bohyung Han. Large-scale image retrieval with attentive deep local features. In Proceedings of the IEEE international conference on computer vision, pages 3456–3465, 2017.
5. Daniel DeTone, Tomasz Malisiewicz, and Andrew Rabinovich. Superpoint: Self-supervised interest point detection and description. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops, pages 224–236, 2018.
6. Mihai Dusmanu, Ignacio Rocco, Tomas Pajdla, Marc Pollefeys, Josef Sivic, Akihiko Torii, and Torsten Sattler. D2-net: A trainable cnn for joint detection and description of local features. arXiv preprint arXiv:1905.03561, 2019.