Scale-Free Image Keypoints Using Differentiable Persistent Homology

本文介绍了一种新颖的方法，利用代数拓扑中的 Morse 理论和持久同调，解决了计算机视觉中的关键点检测问题。现有的基于学习的方法存在规模依赖性和缺乏灵活性。我们提出了一种新的损失函数，基于持久同调中子梯度的概念，为拓扑学习铺平了道路。我们的检测器 MorseDet 是第一个基于拓扑学习的特征检测模型，在关键点重复性方面具有竞争力，并引入了一个原则性和理论上健壮的方法来解决这个问题。

本论文旨在解决计算机视觉中关键点检测的问题，现有的基于学习的方法存在尺度依赖性和缺乏灵活性的问题。

本论文提出了一种基于代数拓扑中的 Morse 理论和持久同调的新方法。提出了一种基于持久同调中子梯度概念的新损失函数，为拓扑学习铺平了道路。

本论文的亮点在于引入了代数拓扑中的 Morse 理论和持久同调，提出了一种新的基于拓扑学习的关键点检测器 MorseDet，具有竞争性能和理论上的鲁棒性。实验结果表明，MorseDet 的性能与当前最先进的学习方法相当。论文使用了多个数据集进行实验，并开源了代码。

与本论文相关的研究包括：《Scale-aware Trident Networks for Object Detection》、《CornerNet: Detecting Objects as Paired Keypoints》、《Integral Object Networks for 3D Instance Segmentation in Point Clouds》等。