.png){kind=icon}
返回
Local feature extraction method based on feature aggregation, mixed convolution and attention
.png){kind=icon}
PRE
AI
DOI：10.1007/s00138-026-01820-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
局部特征提取作为特征匹配的核心组件，直接决定匹配精度。为解决低纹理区域的表征能力不足、缺乏长距离依赖关系以及局部特征中结构细节损失的问题，本文提出了一种基于特征聚合、混合卷积和注意力机制的局部特征提取方法，该方法建立在加速特征提取网络的基础上。首先，在特征提取阶段引入特征聚合模块，以增强低纹理区域局部特征的表征能力。局部细节估计分支和高效近似注意力分支分别协同捕获局部细节信息和非局部结构信息。其次，为解决局部特征中缺乏长距离依赖关系的问题，在特征融合阶段引入混合卷积-注意力模块。通过卷积分支和自注意力分支的并行提取，该模块能够实现局部细节捕获和全局依赖建模。最后，在放大阶段采用动态采样策略，以缓解固定双线性插值造成的结构细节损失。通过自适应调整采样位置，实现跨尺度特征对齐和结构细节的精确重建。实验结果表明，在MegaDepth数据集上，所提方法在下游相机位姿估计任务中，AUC@5度、AUC@10度和AUC@20度分别达到46.4%、59.6%和70.7%，相比XFeat提升了6.4%、5.1%和4.3%。
Keyword:
Local feature extraction
XFeat
Self-modulation feature aggregation
Convolution and self-attention mixed mechanism
期刊
M
IF:
2.3
论文数:
95
被引数:
2.7K
机构
引用论文
Image super-resolution reconstruction of vast-receptive-field pixel attention for precision measurement大感受野像素注意力在精密测量中的图像超分辨率重建
.png){kind=icon}
PREAI
分享收藏
分享收藏
分享收藏分享收藏
查看更多内容