图像匹配是计算机视觉的基础任务,近年来,基于深度学习的匹配模型逐渐流行。为了解决基于深度学习方法泛化性的问题,厦门大学、Intel、大疆的研究者们提出了GIM: Learning Generalizable Image Matcher from Internet Videos。GIM可以让匹配模型从互联网视频中学习到强泛化能力,适用于训练所有匹配模型。作者提出了第一个Zero-shot Evaluation Benchmark(ZEB),评估结果显示,GIM可以明显提升匹配模型的泛化性能。
图像匹配是计算机视觉的基础任务,近年来,基于深度学习的匹配模型逐渐流行。为了解决基于深度学习方法泛化性的问题,厦门大学、Intel、大疆的研究者们提出了GIM: Learning Generalizable Image Matcher from Internet Videos。GIM可以让匹配模型从互联网视频中学习到强泛化能力,适用于训练所有匹配模型。作者提出了第一个Zero-shot Evaluation Benchmark(ZEB),评估结果显示,GIM可以明显提升匹配模型的泛化性能。