密集分割感知描述符：原理、方法与实验评估
1. 引言
在计算机视觉领域，特征描述符的性能对于图像匹配、目标跟踪和三维重建等任务至关重要。传统的描述符在处理背景变化、尺度和旋转变化时存在一定的局限性。为了克服这些问题，研究人员提出了密集分割感知描述符，旨在通过利用分割信息来提高描述符对背景变化的鲁棒性。
2. 密集分割感知描述符的基本原理
我们的目标是构建仅包含在单个表面或对象（以下称为“区域”）内的特征描述符。这样，背景的变化（例如由于分层运动）不会影响区域内部点的描述。同样，当一个区域被前面的另一个区域遮挡时，即使我们无法恢复其缺失的信息，也可以至少忽略无关的遮挡物。
为了实现这一目标，我们引入了一种“门控”信号，通过测量点 $x$ 与其他网格坐标 $x[k,n]$ 之间的亲和度 $w[k,n] \in [0,1]$，并将其与在 $[k,n]$ 周围提取的相应测量值 $d$ 相乘，得到新的测量值 $d’[k,n]$：
[d’[k,n] = w[k,n]d[k,n]]
对于 SID，$d[k,n]$ 表示在 $[k,n]$ 处的 $H$ 个极化平滑导数的串联；对于 SIFT，$d[k,n]$ 表示相应的八维方向直方图。乘以 $w[k,n]$ 有效地排除了来自背景的测量值，因此围绕一个点提取的描述符仅受属于其区域的点的影响，并对背景变化保持鲁棒性。
3. 获取亲和度函数的三种方法
3.1 “Eigen” 软分割（gPb 检测器）
- 图像表示：将图像视为加权图，节点对应于像素，权重对应于像素之间的低级亲和度。通过中间轮廓线