Potencialmente, podría hacer que el proceso de coincidencia de características SIFT sea invariable en perspectiva al entrenar a un clasificador apropiado. El clasificador podría ser entrenado en pares de descriptores con la etiqueta de la clase como “coincidente” o “no coincidente”. Los datos de entrenamiento (para pares de descriptores “coincidentes”) podrían generarse renderizando modelos CAD en 3D utilizando perturbaciones aleatorias en una proyección de perspectiva dada, y muestras de muestras (codificadas como descriptores SIFT) en las ubicaciones correspondientes en las representaciones. Con suerte, esto permitirá que el clasificador aprenda a generar la clase “coincidencia” cuando se alimenta con un par de descriptores que son variaciones de perspectiva entre sí y “no coincidencia” de lo contrario.
No he visto ningún documento que haga esto, por lo que podría ser un pequeño y agradable proyecto de investigación.
- ¿Hay alguna API basada en la nube para agrupar Tweets?
- ¿Cuáles son los últimos algoritmos y técnicas para la corrección ortográfica?
- ¿Cómo puedo encontrar un grupo de estudio para el aprendizaje automático en Hong Kong?
- Yoshua Bengio: ¿cuáles son las preguntas abiertas más importantes en el aprendizaje profundo?
- ¿Cómo podemos interpretar el coeficiente para cierta variable independiente en regresión lineal simple y para el mismo en regresión lineal múltiple?
