Show simple item record

Improving the HardNet Descriptor



dc.contributor.advisorMishkin Dmytro
dc.contributor.authorMilan Pultar
dc.date.accessioned2020-06-16T22:51:46Z
dc.date.available2020-06-16T22:51:46Z
dc.date.issued2020-06-16
dc.identifierKOS-960815806105
dc.identifier.urihttp://hdl.handle.net/10467/88066
dc.description.abstractUvažujeme problém učení lokálního deskriptoru pro wide baseline stereo, zaměřeujeme se na deskriptor HardNet, který je blízko state-of-the-art. Představujeme datový soubor AMOS Patches, který zlepšuje odolnost vůči změnám osvětlení a vzhledu. Je založen na registrovaných obrázcích z vybraných kamer z datového souboru AMOS. Dáváme doporučení k procesu vytváření datových sad obrázkových výřezů a testujeme HardNet naučený na datech různého charakteru. Představujeme také metody pro kombinaci datových sad a jejich redukci, díky kterým dává učení na výrazně méně datech srovnatelné výsledky. HardNet8, který překonává původní HardNet, těží z provedených rozhodnutí o architektuře: schéma propojení, final polling, receptivní pole, stavební bloky CNN nalezené pomocí manuálních nebo automatických vyhledávacích algoritmů - DARTS. Ukazujeme vliv často přehlížených hyperparametrů, jako je velikost batche a délka tréninku, na kvalitu deskriptoru. Komprese výstupů sítě pomocí PCA dále zlepšuje výsledky a také snižuje paměťovou náročnost. Na základě získaných poznatků představujeme dvě varianty HardNet8 deskriptoru: jeden má dobré výsledky na HPatches, AMOS Patches a IMW Phototourism, druhý je optimalizován pro IMW Phototourism.cze
dc.description.abstractWe consider the problem of local feature descriptor learning for wide baseline stereo focusing on the HardNet descriptor, which is close to state-of-the-art. AMOS Patches dataset is introduced, which improves robustness to illumination and appearance changes. It is based on registered images from selected cameras from the AMOS dataset. We provide recommendations on the patch dataset creation process and evaluate HardNet trained on data of different modalities. We also introduce a dataset combination and reduction methods, that allow comparable performance on a significantly smaller dataset. HardNet8, consistently outperforming the original HardNet, benefits from the architectural choices made: connectivity pattern, final pooling, receptive field, CNN building blocks found by manual or automatic search algorithms -- DARTS. We show impact of overlooked hyperparameters such as batch size and length of training on the descriptor quality. PCA dimensionality reduction further boosts performance and also reduces memory footprint. Finally, the insights gained lead to two HardNet8 descriptors: one performing well on a variety of benchmarks -- HPatches, AMOS Patches and IMW Phototourism, the other is optimized for IMW Phototourism.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectdeskriptor bodu zájmucze
dc.subjectHardNetcze
dc.subjectregistrace obrázkůcze
dc.subjectkonvoluční neuronová síťcze
dc.subjectrobustnost ke změně osvětlenícze
dc.subjecttvorba datasetucze
dc.subjectredukce datasetucze
dc.subjectkombinování datasetůcze
dc.subjecthledání architekturycze
dc.subjectztrátová funkcecze
dc.subjectkomprese vektorové reprezentacecze
dc.subjectlocal feature descriptoreng
dc.subjectHardNeteng
dc.subjectimage matchingeng
dc.subjectconvolutional neural networkeng
dc.subjectillumination robusteng
dc.subjectdataset creationeng
dc.subjectdataset reductioneng
dc.subjectcombining datasetseng
dc.subjectarchitecture searcheng
dc.subjectloss functioneng
dc.subjectcompression of embeddingseng
dc.titleVylepšení HardNet deskriptorucze
dc.titleImproving the HardNet Descriptoreng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeMishchuk Anastasiia
theses.degree.disciplinePočítačové vidění a digitální obrazcze
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeOtevřená informatikacze


Files in this item




This item appears in the following Collection(s)

Show simple item record