作业2 复现schoenberger_phd_thesis Table 3.3: Results for our local feature benchmark. Fountain行

1.阅读INSTRUCTIONS.md并配置环境 准备数据

2.运行理解代码 scripts/matching_pipeline.m

3.运行理解代码 

scripts/reconstruction_pipeline.py

4.可视化论文图片结果

文件组成

SIFT

SIFT结果：

SIFT-PCA

SIFT-PCA遇到的问题：

1、

2、

SIFT-PCA结果：

DSP-SIFT

DSP-SIFT结果：

ConvOpt

opencv版本：

实现步骤：

1、先运行feature_extraction_convopt.py，获取描述子

2、在Matlab中注释调用描述子获取的程序，只运行匹配操作

ConvOpt结果:

TFeat

下载TFeat项目：GitHub - vbalnt/tfeat: TFeat descriptor models for BMVC 2016 paper "Learning local feature descriptors with triplets and shallow convolutional neural networks"

实现步骤：

1、先在Matlab中运行feature_extraction_tfeat.m，代码是检测每个图像中的关键点，并提取与这些关键点相关的图像补丁（patches），然后将这些补丁存储到文件中

2、再运行feature_extraction_tfeat.py，获取描述子

3、在Matlab运行匹配程序

TFeat结果：

LIFT

下载LIFT项目：GitHub - cvlab-epfl/LIFT: Code release for the ECCV 2016 paper

实现步骤：

1、编译c-code文件夹下的代码：

2、配置feature_extraction_list.sh路径

3、运行feature_extraction_lift.sh

4、运行feature_extraction_list.py，获取描述子

LIFT结果：