t.hasegawa

3次元初心者。 個人ページ：

[Hironobu Fujiyoshi @hf149]

イマドキの局所特徴マッチングを執筆しました。SIFTからの流れを解説しております。

[t.hasegawa @tkhr_th]

発表終わり。
#SSII #SSII2025

[t.hasegawa @tkhr_th]

@gou_koutaki 高校の時以来吹いてないので、今は多分ほぼ音出ないと思いますw
「トランペット吹きの休日」動画リンクの2分19秒からの1stトランペットはピストン使わずにB♭, D, Fで演奏してるのでこれをマネして練習してました。最後はHigh B♭のロングトーンでキツイですが。https://t.co/aWFhoKN4z9

[t.hasegawa @tkhr_th]

CVPRの論文タイトル単語出現頻度の移り変わりをただ眺めるだけの表 (2013〜2021)。

[t.hasegawa @tkhr_th]

LoFTRの論文は読んだことないけど、見た感じORB+GMSは非ディープラーニングで”密なマッチング”をする代表手法として比較している感じはある。(ORB単体ではスパースなマッチングだけど、GMSが入ることで密にマッチングできる。) #japancv

[Minagawa Takuya @takmin]

もうsiftやsurfは過去の遺物で比較する必要すらないってことだとしたら悲しい。#japancv

[t.hasegawa @tkhr_th]

この研究、まだ論文投稿してないときに金出先生の前で数分間の短い研究プレゼンする機会があり、色々なご指摘・コメントを頂いたのを今でもよく覚えてる。その後、ちゃんと論文アクセプトまで繋がったのでよかった。

[Hironobu Fujiyoshi @hf149]

MPRG-OBの長谷川くん(@tkhr_th ）と取り組んだMultiple-Hypothesis Affine Region Estimation With Anisotropic LoG Filtersは、「素人発想玄人実装」に近づけた研究の一つだと思ってます。
https://t.co/w9jTXiAm0b

[t.hasegawa @tkhr_th]

よくアニメのワンシーンと実際の写真を重ね撮りするアレを特徴点マッチングで自動位置合わせしてみたけど、意外とできた。まだ完璧に合わせるのは難しいけど。

[Hironobu Fujiyoshi @hf149]

YouTubeの日本語自動生成を試してみたところ…「腐女子です」

[t.hasegawa @tkhr_th]

Image Matchingに関する結構なボリュームのサーベイ論文見つけた。これは読みごたえがありそうだ…
Image Matching from Handcrafted to Deep Features: A Survey
https://t.co/tvfvBaXQyJ

[goto @goto_yuta_]

アンサンブルよりモデルを大きくする方が高性能だという通説があるが、これを覆す実験結果を提示。
更に、モデルが大きくなるにつれて、この改善幅は大きくなり、特に、モデルがデータセットに見合った大きさの場合にアンサンブルが大きなモデルの学習より効率的だと実証。
https://t.co/6TG6Sn8r72

[t.hasegawa @tkhr_th]

複数の小規模なCNNをカスケード構造 (出力値は平均) にすると、大規模なCNN単体と同等の精度を維持して計算コストが減る (or 計算コストが同等で精度が向上) ということらしい。
Multiple Networks are More Efficient than One https://t.co/CPWiEjttU2

[t.hasegawa @tkhr_th]

qSNEという同じ名前の別手法もあるらしい。https://t.co/xaGCRTrmgR

[t.hasegawa @tkhr_th]

Deep Manifold Transformation (DMT) https://t.co/7hYZ4gJ99o : t-SNEやUMAPよりも良くなった。encoder-decoderを使って次元圧縮して可視化できる。
q-SNE https://t.co/bWPgqOA84L : t-SNEやUMAPよりも良くなった。パラメータ次第ではSNEやt-SNEと同様の出力も可能。

[t.hasegawa @tkhr_th]

HDD-Net https://t.co/8bWf0zaDVZ
Deep keypoint detectorであるKeyNet の続編的な研究。Detector / Descriptor networkでは、discriminativeで且つrepeatabilityが高くなるスコアマップを学習。KeyNetの時もそうだったが、Hand-crafted filterと組み合わせてCNNを学習させるのがなんか良い。

[t.hasegawa @tkhr_th]

Mikolajczyk 氏のdeep local descriptor論文。
https://t.co/nme3iLqevw
Filter Response NormalizationによりL2正規化を導入し、中間特徴マップの勾配が直交するように学習。Triplet lossは単純な距離関数でなく、 異なる類似度指標を組み合わせる。精度向上してるが、伸び代がなくなってきている印象

[t.hasegawa @tkhr_th]

Spatial Temporal Attention Graphの発表スライドわかりやすい。
#japancv

[t.hasegawa @tkhr_th]

feature detectorとdescriptorの評価(https://t.co/sMH5ZNJUyb)。
・deep learning系があまりよくない
・{FAST,AGAST,GFTT}+SIFTなどコーナーとSIFTの組合せが良い
・なのにHarris+SIFTの精度が低すぎ
・Affine対応してるはずのMSERの精度が低い
・他のdeep descriptorの結果が見たい
などが気になった