基于SuperPoint的轻量级特征点及描述子提取网络

图像特征点及描述子提取是SLAM、SFM和3D重建等任务的基础,较好的图像特征点及描述子提取算法会对这些任务的进步产生十分重要的作用.本文聚焦于提取特征点和描述子算法中鲁棒性较高、性能较好的SuperPoint网络,对该网络进行了一定程度的改进.针对其计算量和参数较大的问题,首先将普通卷积改成深度可分离卷积,改变卷积层数和下采样方式,之后改进通道剪枝算法,使其可以应用于深度可分离卷积,对网络进行剪枝.实验结果显示,在轻微损失特征点检测和匹配效果的情况下,将网络参数量压缩为原来网络的15％,运算量压缩为原来网络的5％,FPS提升6.64倍,取得了较好的实验效果.     

基于深度学习SuperGlue的枪弹痕迹自动识别方法

为实现枪弹痕迹自动匹配的准确性,提出了将基于深度学习的SuperPoint特征提取和SuperGlue匹配算法引入枪弹痕迹自动识别研究。通过SuperPoint网络提取弹痕图像特征点位置与描述子向量;研究了SuperGlue的匹配机制,包括注意力机制的图神经网络(GNN)及优化匹配层,将提取的弹底窝痕迹的特征点和描述子使用SuperGlue算法进行匹配。实验表明SuperPoint特征通过SuperGlue匹配,相较于机器学习算法实现了更高的匹配准确度,正确匹配数量提高,为枪支鉴定增加科学性。