《Local Image Descriptor: Modern Approaches》_1

计算机视觉是计算机科学和人工智能的交叉学科。它旨在使计算机能够像人一样理解和感知图像和视频，涵盖许多典型任务，例如识别，重建，运动分析等。本地图像描述符在大多数这些任务中起着关键作用。特别是自2004年系统提出尺度不变特征变换(SIFT)的里程碑式工作以来，过去十年来，我们见证了基于局部描述符的各种视觉应用。经过10年的发展，在本地图像描述领域提出了许多出色的方法，这些方法在许多应用中都可以胜过SIFT。本书专门研究本地图像描述符，涵盖了经典方法和最新方法以及该领域的新兴研究主题。

《Local Image Descriptor: Modern Approaches》_2

尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)是计算机视觉中两个广泛使用的描述符。特别是对于SIFT，它是从对象识别，图像检索到运动构造等各种应用程序的极受欢迎解决方案。而对于SURF，对于需要快速或接近实时的应用程序，它是首选。图像匹配，直到最近的二进制描述符蓬勃发展。另一个经典的局部特征是1990年代提出的局部二进制模式(LBP)。与许多变体一起，LBP在纹理分类和许多与面部相关的任务(例如，面部识别，面部检测和面部表情识别)中无处不在。

解决尺度不平衡，Facebook 全景分割新算法

高分辨率图像上的全景分割面临着大量的挑战，当处理很大或者很小的物体时可能会遇到很多困难。来自 Facebook 的研究者通过引入实例 scale-uniform 采样策略与 crop-aware 边框回归损失，能够在所有尺度上改善全景分割效果，并在多个数据集上实现 SOTA 性能。