Hiper Boyutlu Hesaplama ve Grup Testi Kullanarak Verimli İmge Eşleme

Abstract

Yaygın olarak kullanılan imge eşleme yaklaşımı, imgeler arasında yerel özniteliklerin kapsamlı bir şekilde eşleştirilmesine dayanmaktadır. Bizler, bunu karşımıza alıyor ve en yakın komşular üzerinden tahmin yaparak değil de hiyerarşik bir yaklaşım kullanarak eşleme verimliliğinin artırılmasını inceliyoruz. En benzer ancak geometrik olarak rastgele öznitelik eşlemelerinin aksine, yeterince benzer ve geometrik olarak anlamlı öznitelik eşlemelerinin verimli bir şekilde saptanmasının, daha düşük hesaplama karmaşıklığı ile eşleşme performansını artırabileceğini veya koruyabileceğini varsayıyoruz. Grup güdümlü en yakın komşular adında yeni bir yöntem öneriyoruz. Bu yöntem, öznitelik gruplarının bir olarak eşleşmesini ve ardından yalnızca eşleşen gruplar arasında bireysel özniteliklerin eşleşmesini içerir. Hiper boyutlu hesaplama ve grup testi kavramlarından ilham alan hiyerarşik boru hattı, öznitelik eşlemenin zaman karmaşıklığını n kareden n kök n'ye düşürür. Homografi ve poz tahminine ilişkin deneysel sonuçlar, bizim yöntemimizin standart en yakın komşu algoritmasından daha iyi bir sonuç verdiğini ve diğer yöntemlerin performansını yakaladığını göstermektedir. Önerilen yöntemi, değişen seviyelerde hesaplama maliyetlerine sahip yöntemlerin devamlılığını sunan genel bir çerçeve olarak ifade ediyoruz. Ayrıca öncelikle en belirgin özniteliklerin diğer imgenin öznitelik gruplarına üyeliklerini test eden, ardından bu belirgin öznitelikleri yalnızca eşleşen grupların üyeleriyle eşleştiren bir doğrusal zamanlı eşleme algoritması sunuyoruz. Deneyler gösteriyor ki, bu algoritma karesel zaman algoritmalarının doğrusal zaman uyarlamalarından daha iyi bir performans sergiliyor. Homografi tahmini için daha iyi sentetik imge çifti veri kümeleri oluşturulması ve imge eşleme boru hatlarının daha hızlı değerlendirilmesi için teknikler de sunuyoruz. Bu katkılar sonucunda verimli eşleştiriciler, gerçekçi veri kümeleri ve hızlı değerlendirme içeren bir imge eşleme çerçevesi ortaya çıkmaktadır.

The widely adopted image matching approach remains dependent on exhaustive matching of local features across images. We challenge this and investigate enhancing matching efficiency by not approximating nearest neighbors but using a hierarchical approach. We hypothesize that efficiently identifying sufficiently similar geometrically meaningful feature matches, rather than the most similar but geometrically random ones, can improve or maintain matching performance, with lower computational complexity. We propose a novel method named group-guided nearest neighbors, matching groups of features as one and then matching individual features across matched groups only. Inspired by concepts from hyperdimensional computing and group testing, the hierarchical pipeline reduces the time complexity of feature matching from n squared to n times the square root of n. Empirical results on homography and pose estimation indicate that our method outperforms the standard nearest neighbors algorithm and achieves the performance level of other methods. We formulate the proposed method as a general framework that offers a continuum of methods with varying levels of computational cost. Additionally, we introduce a linear-time matching algorithm which first tests memberships of the most distinct features to feature groups of the other image, then matches these distinct features only with the members of the matched groups. Experiments show that this algorithm performs better than linear-time adaptations of quadratic-time algorithms. We also propose techniques for generating better synthetic image pair datasets for homography estimation and faster evaluation of image matching pipelines. These contributions result in an image matching framework with efficient matchers, realistic datasets, and fast evaluation.