arXiv Computer Vision· Saravana Mauree, Sakshi Arya·· 13 小时前AI 评分22
超越关键点提取：结构化图像分类中鲁棒几何特征评估框架
Beyond Landmark Extraction: A Framework for Robust Geometric Feature Evaluation in Structured Image Classification
AI 导读
该论文将关键点提取后的特征图作为核心分析对象，提出一套构建与解释关键点衍生表示的系统框架，把特征构造视为特征层面的“降维”步骤。以静态手势识别为案例，通过扰动与消融实验评估坐标、距离、角度及混合表示，发现视觉变化较大的数据会暴露原始坐标特征与几何不变特征之间的显著差距，混合表示综合互补几何成分后整体表现最佳。特征构建与评估代码已公开。
推荐理由模型分析
该文把研究焦点从分类器选型转向关键点提取后的特征表示，以静态手势识别为案例，通过扰动与消融实验比较坐标、距离、角度及混合表示。结果显示原始坐标特征与几何不变特征差距明显，混合表示综合表现最好。对做视觉特征工程或结构化识别的开发者，可据此判断表示选择对模型的影响，但结论限于手势任务，尚需在其他场景验证。
来源：arXiv Computer Vision · arxiv.org