周学习记录

周总结

这周装完了环境，对PosFeat进行了复现。看了三篇论文。下周计划继续保持看论文数，以及多看论文的代码，对代码进行理解。

一、《解耦使弱监督的本地特征更好》

《Decoupling Makes Weakly Supervised Local Feature Better》CVPR

原文：解耦使弱监督的局部特征变得更好 |IEEE 会议出版物 |IEEE Xplorehttps://ieeexplore.ieee.org/document/9880047

文章的主要创新点：

1.解耦训练的描述-检测流程

先训练描述网络，再固定描述网络训练检测网络。

2.线到窗口搜索策略

利用相机姿态提供的极线约束，将匹配搜索空间从整个图像缩小到极线附近的一个局部窗口。

步骤如下：

首先，在极线上采样点进行粗匹配。随后，在匹配点周围的局部窗口中进行细匹配。

3.适用于弱监督的损失函数

使用极线距离损失作为监督信号，鼓励匹配点满足极线几何约束。

二、《TP3M:基于 Transformer 的伪 3D 图像与参考图像匹配》

《TP3M: Transformer-based Pseudo 3D Image Matching with Reference Image》

TP3M：基于Transformer的伪3D图像与参考图像匹配 |IEEE 会议出版物 |IEEE Xplorehttps://ieeexplore.ieee.org/document/10610556

文章的主要创新点：

1.引入参考图像构建伪3D特征

不是真正重建3D点云或深度图，通过参考图像增强源图像的2D特征，使其具备3D几何信息。

2.边缘感知的特征提取

使用改进的来自于EDTER的BiMLA模块，来增强边缘特征的定位能力

3.粗到精的3D匹配机制

粗匹配时，基于2D特征建立初始对应关系；精匹配时，基于3D特征进一步优化匹配结果。

三、《使用深度学习从 3D 激光点云识别油菜田》

《Sementing the Field of Rapeseed from 3D Laser Point Cloud Using Deep Learning》

原文：利用深度学习从3D激光点云分析油菜田 |IEEE 会议出版物 |IEEE Xplorehttps://ieeexplore.ieee.org/document/9530316

文章的主要创新点：

1.针对田间油菜点云的联合分割算法

该论文不是简单地使用一种传统方法，而是设计了一套完整的处理流程：先利用HSV颜色空间进行初筛(针对油菜的绿色和黄色)，再分别用两种不同的高级算法(统计滤波、超体素聚类)进行优化。

2.首次将PointNet++模型应用于田间农作物分割

PointNet++不依赖于人工规则，能够直接从原始、无序的点云中自动学习分层级的特征。