Dichte Interessenspunkte

Lokale Merkmale oder Bildausschnitte sind ein Standardwerkzeug in der Computervision geworden und finden in zahlreichen Anwendungsbereichen Verwendung. Grob gesagt können zwei verschiedene Arten von patch-basierten Bilddarstellungen unterschieden werden: Interessenspunkte, wie Ecken oder Blobs, deren Position, Skalierung und Form von einem Merkmalsdetektoralgorithmus berechnet werden, und dichte Abtastung, bei der Ausschnitte fester Größe und Form auf einem regelmäßigen Raster platziert werden (möglicherweise über mehrere Skalen hinweg wiederholt). Interessenspunkte konzentrieren sich auf 'interessante' Orte im Bild und beinhalten verschiedene Grade der Ansichten- und Beleuchtungsinvarianz, was zu besseren Wiederholbarkeitsscores führt. Dichte Abtastung hingegen bietet eine bessere Abdeckung des Bildes, eine konstante Anzahl von Merkmalen pro Bildbereich und einfache räumliche Beziehungen zwischen den Merkmalen. In diesem Papier schlagen wir ein hybrides Schema vor, das wir dichte Interessenspunkte nennen, bei dem wir von dicht abgetasteten Ausschnitten ausgehen, jedoch deren Positions- und Skalierungsparameter lokal optimieren. Wir untersuchen, ob es auf diese Weise möglich ist, das Beste aus beiden Welten zu erhalten.