BRIEF paper

BRIEF: Binary Robust Independent Elementary Features

 

Abstract

BRIEF는 binary string을 사용하는 효율적인 feature point descriptor이다. descriptor similarity계산은 Hamming distance를 사용한다. 매우빠르고 매칭이 잘된다.

 

Introduction

object recognition, 3D reconstruction, image retrieval, and camera localization에서 쓰인다.

mobile device 같은 제한된 resources에서 좋다.

그동안 SIFT에서 PCA나 LCA처럼 주요부분만 추출해 descriptor에 사용했으며 성능이 좋았다.

binary strings으로 바꿔도 성능이 좋았다.(hamming dstance 사용)

이런것들은 SIFT이후 후처리로 하는 것임으로 필요없는 과정이 있다.

-> 처음부터 가벼운 연산을 하자

 

256bits or 128 bits만 사용해서 좋은 결과를 만들어보자

hamming distance를 사용하면 상당히 빠르다.

SSE의 bit 연산을 사용하여 굉장히 빠르게 작동할수 있다.

 

Related Work

SIFT는 128-vector로 계산량이 많고 느리다.

SURF는 integral images를 사용하여 속도가 가장빠르며 64-vector를 사용한다. descriptor한개가 256을 사용한다.

이를 해결하기 위한 3가지 방법을 제안한다.

1. PCA, LDE를 사용하여 descriptor size를 줄이며 정확도는 근사하게 유지한다.

    -> overfitting될수 있으며, 성능이 떨어 질수 있다.

2. floating point를 quantize하여 integer를 사용하면 SIFT descriptor를 4bit까지 줄일수 있다.

    저자는 DAISY descriptor, PCA, quantization을 사용해 60bit까지 줄였으나 hamming distance를 쓸수 없다.

3. 0,1로만 표현한다.

    Hamming distance를 사용하여 빠르게도 연산가능하다.

그래도 SIFT, SURF를 사용하기에 여전히 느리다.

 

Method

이미지 patches를 비교할때 일부 pixel만 비교해도 구분할 수 있다.

여러 머신러닝 기법을 사용해 비교대상 pixel을 뽑는 방법을 비교했다.

단순히 pixel값이 작으면 1 아니면 0으로 사용하며 image는 smooth image이고 여러 기법을 통해 pixel 뽑는것을 비교했다.

nd를 128,256, 512를 사용해 속도 정확도를 비교했으며 brieft-k로 표현한다(k=nd/8)

 

Smoothin kernels

noise-sensitive함으로 gaussian smoothing을 적용한다.

 

Orientation Sensitivity

BRIEF는 약간의 회전은 cover되지만 90, 180 같이 큰 회전은 robust하지 못하다.

 

실험 결과

회전이 없다면 BRIEF-64가 성능이 제일 좋다. 있을땐 SUFT가 좋다

Conclusion

당시 sota보다 훨씬 빠르며 인식률이 좋다.(단 rotation은 없거나 적어야함)