Leap在CVPR

layer的结合训练用于对两组稀疏图像特征进行匹配。

这个项目提供了PyTorch代码和预训练的权重可以在SuperPoint关键点和描述子的基础上运行SuperGlue匹配网络。

给定一对图像你可以使用这个项目来提取图像对之间的匹配特征。

SuperGlue作为一个“中端”操作执行上下文聚合、匹配和过滤等功能是一个端到端的架构。

要在Ubuntu系统上配置并运行SuperGluePretrainedNetwork而不使用CUDA即不使用GPU你可以按照以下步骤进行。

这些步骤基于SuperGlue的官方GitHub仓库的指导但已修改为适应仅使用CPU的情况。

克隆仓库

首先打开一个终端并使用以下命令克隆SuperGlue的GitHub仓库

git

https://github.com/magicleap/SuperGluePretrainedNetwork.git

创建Python虚拟环境

创建一个新的Python虚拟环境以避免依赖项与系统的其他项目冲突。

这一步需要你已经安装了Python3和pip。

sudo

在虚拟环境中安装所有必要的Python依赖。

由于不使用CUDA可以忽略与CUDA相关的依赖。

pip

要确保代码在没有CUDA的情况下运行在执行脚本时添加--force_cpu标志。

例如如果要运行demo_superglue.py脚本

--input:

调整图像大小的参数接受一个或两个值宽度和高度。

--superglue:

使用的SuperGlue模型的类型outdoor或indoor。

--max_keypoints:

每个图像提取的最大关键点数。

--keypoint_threshold:

非最大抑制NMS的半径。

--sinkhorn_iterations:

Sinkhorn算法的迭代次数。

--match_threshold:

python

-1意味着你不想调整图像大小。

你需要根据实际的demo_superglue.py脚本接受的参数来调整这个命令。

如果你需要针对特定图像对运行匹配过程你可能需要查看脚本内部的实现看是否支持直接指定图像对或者你可能需要手动调整脚本来适应你的需求。

使用KITTI