Feature Description and Detection with Deep Learning

Abstract

This thesis describes work with convolutional neural networks with the aim to detect and describe keypoints in images from a non-standard dataset, which is more complex than the datasets typically used for this task. Two approaches are explored -- the first one relies on a network covering the typical feature extraction pipeline, which consists of keypoint detection, orientation estimation and feature description, whereas the second approach uses an object detector network to detect and label specified keypoints.

Tato práce popisuje použití konvolučních neuronových sítí s cílem detekovat a popsat klíčové body v obrazech. Tyto obrazy pochází z datasetu, který lze považovat za složitější optoti jiným datasetům, které jsou typicky používané v této oblasti. V této práci jsou popsány dva přístupy -- první používá neuronovou síť, která se skládá z částí typických pro tyto tyto algoritmy -- konkrétně se jedná o detektor klíčových bodů, odhad jejich orientací a jejich popis pomocí deskriptorů. V druhém přístupu je používána neuronová síť, která běžně slouží k detekci objektů a která byla upravena tak, ať detekuje právě klíčové body.