Publication

Keypoint Signatures for Fast Learning and Recognition

Pascal Fua, Vincent Lepetit, Michael Calonder
2008
Conference Papers

Résumé

Statistical learning techniques have been used to dramatically speed-up keypoint matching by training a classifier to recognize a specific set of keypoints. However, the training itself is usually relatively slow and performed offline. Although methods have recently been proposed to train the classifier online, they can only learn a very limited number of new keypoints. This represents a handicap for real-time applications, such as Simultaneous Localization and Mapping (SLAM), which require incremental addition of arbitrary numbers of keypoints as they become visible.

Source officielle

https://infoscience.epfl.ch/entities/publication/4d251937-3ca3-4e71-b551-7eb25853c3f0

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Keypoint Signatures for Fast Learning and Recognition

Chattez avec Graph Search

Overcoming Distribution Shifts and Imbalance Challenges in Representation Learning for Deep Regression Models

A comparative analysis of gene expression profiling by statistical and machine learning approaches

Exploiting Representation Similarities in Self-Supervised Learning for Vision Tasks