深度局部特征（DeLF）的Pytorch实现 PyTorch实现的“具有深深的局部特征的大规模图像检索” 参考： : 先决条件 火炬 python3 CUDA 训练DeLF DeLF训练有两个步骤：（1）调整阶段，和（2）关键点阶段。 Finetune阶段加载ImageNet上预训练的resnet50模型，并进行优化。 关键点阶段将冻结“基本”网络，并且仅更新“注意”网络以进行关键点选择。 训练过程完成后，模型将保存在repo//keypoint/ckpt （1）培训微调阶段： $ cd train/ $ python main.py \ --stage ' finetune ' \ --optim ' sgd ' \ --gpu_id 6 \ --expr ' landmark ' \ --ncls 586 \ --f

行业分类-物理装置-三维局部特征描述子获取方法与特征描述子的匹配方法.zip

基于局部特征提取方法是图像处理、分析及模式识别领域的热点研究问题之一。由于该技术有着广泛的应用前景，已经吸引了很多学者的关注，并涌现出了大量的研究成果。利用 SIFT 算法提取出的特征点进行图像匹配，对于图像的模糊、旋转、平移和尺度变换具有很强的鲁棒性，甚至对图像光照和视点变化具有一定的鲁棒性。本文主要研究了基于 SIFT 局部图像特征点提取算法。首先对特征点提取的原理进行了详细研究，针对SIFT算法原理分模块进行了研究；然后本文对SIFT特征点在图像匹配和图像拼接领域的应用进行了讨论；最后，为了验证本文算法的有效性和优越性，本文进行了仿真实验实验。实验结果表明，SIFT特征点在图像匹配和图像拼接领域具有极强的适应性。当图像之间存在一定的图像旋转、光照变化和视点变化时，仍然具有满意的匹配效果。

特征融合

计算机视觉项目实战（二）、局部特征匹配Local_Feature_Matching配套素材资源和代码，项目详解见本人博客https://blog.csdn.net/Accelerato/article/details/105577679

点云局部特征描述与匹配研究_杨佳琪.pdf

基于局部特征的卷积神经网络模型

图像特征提取是计算机视觉应用的根本基础。研究了SIFT、LBP和HOG等3种信息互补的局部特征（即多角度局部特征）提取算法，研究了基于稀疏编码的图像相似性匹配算法，并以基于内容的图像检索（CBIR）为应用实例，验证了算法的有效性和高效性。

图像局部不变性特征与描述 pdf 王永明 王贵锦 编著 国防工业出版社 解压密码：HITCAJ

文档，主讲了基于全局和局部特征融合的图像匹配算法研究