1 UVOD
Lokalni opisniki slik so pomembno področje raziskav
računalniškega vida. Zanesljivo ujemanje lokalnih
značilnic je potrebno v številnih aplikacijah, na primer
pri mobilnem vizualnem iskanju (MVS) [7], združevanju
Prejet 7. avgust, 2019
Odobren 22. avgust, 2019
slik v panoramo [8], pri klasifikaciji teksturnih regij [23]
in razpoznavanju predmetov [26], [17] in obrazov [13].
Raziskovalci računalniškega vida so predlagali številne
vrste opisnikov, ki jih lahko razdelimo na ročno izdelane
(SIFT [12], GLOH [18], SURF [6], BRIEF [9], KAZE
[2], AG [15], Max-SIFT [25]) in tiste, ki temeljijo na
učenju (BestDaisy [22], DeepCompare [24], DeepDesc
[21], TFeat [5]).
Za ovrednotenje lokalnega opisnika slik so na voljo
različna merila uspešnosti in različni protokoli [18],
[11], [19], [14], [1], [20]. Nedavno je Balntas s soav-
torji [4] predstavil HPatches, novo javno dostopno bazo
slikovnih zaplat, in protokole za ocenjevanje lokalnih
opisnikov. Baza vključuje več kot 2,5 milijona zaplat,
pridobljenih na zaporedju slik različnih prizorov, pos-
netih v različnih svetlobnih razmerah in z velikimi spre-
membami v lokaciji in orientaciji kamere pri zajemanju
slik. Na voljo je odprtokodna implementacija protokolov
za ocenjevanje lokalnih opisnikov za tri različne naloge:
verifikacijo zaplat, ujemanje slik in poizvedovanje po
zaplatah. V istem prispevku avtorji pokažejo, da ra-
zličica, ki vključuje naknadno normalizacijo ZCA opis-
nika RootSIFT [3], znatno izboljša rezultate. To spoz-
nanje nas je spodbudilo k proučevanju uporabe parcial-
nih odvodov prvega in drugega reda dvodimenzionalne
Gaussove funkcije pri določanju lokalnega opisnika. V
članku [16] predlagamo tri različne opisnike E, L in EL.
Opisnik E je zasnovan na parcialnih odvodih prvega
reda, L na parcialnih odvodih drugega reda, EL pa
združi opisnika E in L v skupni vektor. Izkazalo se
RAZLIČICE OPISNIKA EL 249
je, da sta E in EL zelo dobra opisnika, predvsem pri
nalogah ujemanja slik in poizvedovanju po zaplatah.
V tem članku želimo preveriti, ali je pri opisniku E,
bolje uporabiti parcialne odvode Gaussovega filtra ali je
boljša alternativa slikovni gradient, izračunan na način,
ki ga uporabljajo številni priljubljanii opisniki, med
njimi tudi SIFT oz. RootSIFT. Druga naloga je ugotoviti,
ali filtriranje zaplat na večjem številu merskih lestvic
pripomore k izboljšavi opisnika EL.
V drugem poglavju predstavimo opisnik EL, v tretjem
poglavju njegove različice. V poglavju Eksperimen-
talni rezultati predstavimo podatkovno bazo HPatches
in rezultate, dosežene z različicami opisnika E oz. EL
za tri naloge. V sklepu povzamemo glavne ugotovitve,
ki sledijo iz eksperimentov.
2 OPISNIK EL
Opisnik EL [16] uporablja parcialne odvode prvega in
drugega reda dvodimenzionalne Gaussove funkcije
g(x, y) =
1
2πσ2
exp(−(
x2
2σ2
+
y2
2σ2
)) (1)
in teorijo krmilnih filtrov [10].
Slika 1: Gaussov filter in pet izbranih bazičnih filtrov g0
◦
x in
g90
◦
x ter g
0◦
xx, g
60◦
xx in g
120◦
xx
2.1 Pet bazičnih filtrov in optimalni odziv
Slika 1 prikazuje Gaussov filter (1) in pet bazičnih
filtrov, ki jih uporablja algoritem opisnika EL. Prvi
bazični filter
g0
◦
x =
∂
∂x
g(x, y) = −
x
σ2
g(x, y)
je parcialni odvod Gaussove funkcije prvega reda v
smeri x osi, drugi bazični filter g90
◦
x je njegova rotacija
za 90◦ okrog koordinatnega izhodišča v nasprotni smeri
urnega kazalca. Tretji bazični filter,
g0
◦
xx =
∂2
∂x2
g(x, y) = (−
1
σ2
+
x2
σ4
) g(x, y),
je parcialni odvod Gaussove funkcije drugega reda v
smeri osi x. Filtra g60
◦
xx in g
120◦
xx sta rotaciji filtra g
0◦
xx
za 60◦ oziroma 120◦.
Naj bo (...)θ operator rotacije. Poljubno funkcijo
f(x, y), rotirano za kot θ okoli izhodišča v nasprotni
smeri urnega kazalca, označimo kot fθ(x, y). Teorija
krmilnih filtrov pravi, da lahko filter gθx določimo z
linearno kombinacijo dveh bazičnih filtrov
gθx = cos(θ)g
0◦
x + sin(θ)g
90◦
x ,
filter gθxx pa z linearno kombinacijo treh bazičnih filtrov
gθxx = k1g
0◦
xx + k2g
60◦
xx + k3g
120◦
xx
z interpolacijskimi funkcijami
kj =
1
3
[1 + 2(cos(2(θ − θj))],
j = 1, 2, 3 in z vrednostmi kotov θ1 = 0◦, θ2 = 60◦ in
θ3 = 120
◦.
Naj velja G0
◦
x = g
0◦
x ∗I , G90
◦
x = g
90◦
x ∗I , G0
◦
xx = g
0◦
xx∗
I , G60
◦
xx = g
60◦
xx ∗I in G120
◦
xx = g
120◦
xx ∗I . Tu je ∗ operator,
ki označuje filtriranje slike I z izbranim filtrom. V
skladu s teorijo krmilnih filtrov [10] izračunamo odziv
slike I na filter gθx po enačbi
Gθx = g
θ
x ∗ I = cos(θ)G
0◦
x + sin(θ)G
90◦
x , (2)
odziv slike I na filter gθxx pa po enačbi
Gθxx = k1G
0◦
xx + k2G
60◦
xx + k3G
120◦
xx . (3)
Na poljubni lokaciji na sliki je najboljša orientacija
filtra tista, ki ima maksimalni odziv. Opisnik EL je za-
snovan na takšnih maksimalnih odzivih. Pri parcialnem
odvodu prvega reda je najboljša orientacija filtra [16]
θE = atan2( G
90◦
x , G
0◦
x ) . (4)
Magnitudo filtra GE = GθEx določimo z enačbo 2:
GE = cos(θE)G
0◦
x + sin(θ)G
90◦
x . (5)
Pri parcialnem odvodu drugega reda pa želimo izbrati
odziv, ki ima največjo vrednost v absolutnem smislu.
V tem primeru izračunamo orientaciji filtra, ki imata
minimalni in maksimalni odziv. Naj označuje A =√
3(G120
◦
xx −G60
◦
xx ) in B = G
120◦
xx −G60
◦
xx −2G0
◦
xx. Iskani
orientaciji filtra sta [16]:
θLmin =
1
2
atan2(A,B)
in
θLmax =
1
2
atan2(−A,−B) .
Minimalni odziv ustreza detekciji svetle črte, maksi-
malni pa detekciji temne črte. Za izračunani vrednosti
kotov izračunamo z enačbo 3 odziva slike −GθLminxx in
G
θLmax
xx . Odziva primerjamo in ohranimo večjo vrednost:
GL = max(−G
θLmin
xx , G
θLmax
xx ). (6)
Prav tako zabeležimo le orientacijo, ki ustreza večji
vrednosti.
θL =
{
θLmin if −G
θLmin
xx > G
θLmax
xx ,
θLmax otherwise.
(7)
Torej, GL je vedno pozitiven ali enak nič.
2.2 Gradnja opisnika EL
Opisnik EL je sestavljen iz dveh delov. Del E (angl.
Edges) uporablja θE in GE , del L (angl. Lines) pa
θL in GL. Konstrukcija opisnika zahteva naslednje tri
korake: kvantizacijo orientacije, združevanje magnitud
maksimalnih odzivov filtrov v histogram v skladu s
kvantizirano orientacijo in lokacijo ter normalizacijo
histograma.
250 MAVER
2.2.1 Kvantizacija orientacije: Za del E opisnika
je kvantizacija orientacije povsem enaka tisti, ki jo
uporablja priljubljeni opisnik SIFT [12]. Orientacijo θE
kvantiziramo v osem razredov, ki ustrezajo vrednostim
θ = −180◦, −135◦, −90◦, −45◦, 0◦, 45◦, 90◦ in
135◦. Za del L opisnika uporabimo zaradi simetrije filtra
g0
◦
xx = g
180◦
xx le štiri kvantizacijske vrednosti θ = −90◦,
−45◦, 0◦ in 45◦, vendar pa kvantiziramo ločeno vred-
nosti, kjer θL pomeni θLmin in θL pomeni θLmax . Za
vsako lokacijo na sliki imamo tako 16 kvantiziranih
vrednosti.
2.2.2 Združevanje magnitud v histogram:
Združevanje magnitud maksimalnih odzivov se izračuna
za 17 združevalnih centrov. Vrednost magnitude se
uteži z Gaussovo funkcijo v skladu z oddaljenostjo
točke do združevalnega centra. Uporabljajo se tri
različne Gaussove funkcije [22]. Slika 2 prikazuje
razporeditev združevalnih centrov z ustrezno Gaussovo
utežitveno funkcijo. Po združevanju uteženih magnitud
Slika 2: Polarna razporeditev sedemnajstih združevalnih
centrov z ustrezno Gaussovo utežitveno funkcijo. Krogi
označujejo eno standardno deviacijo. Za zaplato z dimenzijami
65 × 65 so standardne deviacije Gaussovih filtrov σ0 = 3,
σ1 = 5.5 in σ2 = 9.75. Združevalni centri ležijo na krožnicah
s polmerom r0 = 0, r1 = 14.5 in r2 = 31.5. Vse mere so v
pikslih.
v združevalne centre v skladu s kvantizirano orientacijo
je vsak združevalni center predstavljen z osmimi
vrednostmi, ki pomenijo odzive GE , in osmimi
vrednostmi, ki pomenijo odzive GL. Vrednosti iz vseh
centrov se združijo v skupni vektor oz. histogram, ki je
opisnik EL:
D = [d1, d2, ..., dn] , (8)
z n = 272.
2.2.3 Normalizacija opisnika: Z normalizacijo opis-
nika dosežemo robustnost opisnika na velikost spre-
membe v kontrastu, ki je posledica linearnih in ne-
linearnih sprememb v osvetlitvi. Opisnik EL pri tem
uporablja adaptivno iterativno določanje praga [16]:
1) izračuna se povprečna vrednost histograma, d =∑n
i=1 di/n;
2) izračuna se prag, T = Tc · d;
3) komponente opisnika, ki presegajo prag, se
postavijo na vrednost T .
Vrednost konstante, Tc = 2, 6, je določena eksperimen-
talno. Nato sledi normalizacija, ki jo uporablja RootSIFT
[3]:
4) opisnik je normaliziran tako, da ima norma L1
vrednost ena;
5) vsaka komponenta opisnika je predstavljena z
njenim kvadratnim korenom.
3 RAZLIČICE OZIROMA NADGRADNJA
OPISNIKA EL
3.1 Slikovni gradient
Veliko opisnikov, med njimi tudi SIFT [12], uporablja
za opisovanje lokalne strukture na sliki slikovni gradient.
Slikovni gradient, ki ga uporablja SIFT, zahteva eno
filtriranje slike manj, kot ga zahtevata parcialna odvoda
prvega reda dvodimenzionalne Gaussove funkcije. Sliko
I(x, y) najprej filtriramo z Gaussovim filtrom g(x, y)
(1):
L(x, y) = I(x, y) ∗ g(x, y). (9)
Standardna deviacija Gaussovega filtra je tu enaka stan-
dardni deviaciji Gaussovega filtra, ki ga uporabljata
parcialna odvoda prvega reda v pri opisniku E. Na filtri-
rani sliki L(x, y) izračunamo magnitudo in orientacijo
slikovnega gradienta z naslednjimi enačbami:
Dx = L(x+ 1, y)− L(x− 1, y),
Dy = L(x, y + 1)− L(x, y − 1),
m(x, y) =
√
D2x +D
2
y, (10)
θg(x, y) = atan2(Dy, Dy). (11)
Nova različica opisnika uporablja isti postopek gradnje
opisnika, kot je razložen v poglavju 2.2. V novi različici
opisnika nadomestimo vrednosti GE (5) in θE (4) z
vrednostima m (10) in θg (11). Dimenzija nove različice
opisnika je enaka dimenziji opisnika E; n = 136.
3.2 Večločljivostna metoda
S filtriranjem slike le na eni merski lestvici zajamemo
le del informacije na sliki. Zato je smiselno, da sliko
filtriramo na različnih merskih lestvicah. Dodatno filtri-
ranje zahteva dodatnen čas. Zato bomo v našem primeru
filtrirali le na dveh merskih lestvicah. Mersko lestvico
določimo s standardno deviacijo Gaussovega filtra, v
našem primeru s σ1 in σ2. Z dodatnim filtriranjem pa ne
želimo povečevati dimenzije opisnika. Najprej zgradimo
ločena histograma (8) za vrednosti GE(σ1), θE(σ1)
in GL(σ1), θL(σ1) ter vrednosti GE(σ2), θE(σ2) in
GL(σ2), θL(σ2):
D(σ1) = [d1(σ1), d2(σ1), ..., dn(σ1)]
in
D(σ2) = [d1(σ2), d2(σ2), ..., dn(σ2)] ,
z n = 272. Histograma nato seštejemo v skupen his-
togram
D = D(σ1) +D(σ2) (12)
in šele nato normaliziramo s postopkom, predstavljenim
s koraki od 1 do 5 v podpoglavju 2.2.3. Tako ohranimo
isto dimenzijo opisnika EL.
RAZLIČICE OPISNIKA EL 251
Tabela 1: Rezultati za naloge verifikacija zaplat, ujemanje slik
in poizvedovanje po zaplatah, izračunani za opisnika E in
Eg. Vse vrednosti so podane v mAP[%] (angl. mean Average
Precision). Doseženi rezultati so podani v parih. Prva vrednost
je rezultat, dobljen z osnovno metodo, druga z normalizirano
različico ZCA [4]. Opisnik, ki uporablja slikovni gradient, je
označen kot Eg. Najboljši rezultat v stolpcu je poudarjen.
Op. Verifikacija Ujemanje sl. Poizved.
osn. , ZCA osn. , ZCA osn. , ZCA
E 72,39 , 77,84 35,35 , 39,41 37,81 , 43,64
Eg 72,59 , 77,75 35,21 , 39,21 37,55 , 43,16
4 EKSPERIMENTALNI REZULTATI
Za eksperimentiranje uporabimo slikovno bazo
HPatches*, ki je podrobno predstavljena v [4]. HPatches
vključuje več kot 2,5 milijona zaplat velikosti (65×65)
pikslov, zajetih na 116 različnih prizorih. Vsak prizor
predstavlja zaporedje šestih slik. Spremembe na slikah
so posledica spremenjenih razmer osvetlitve prizora
in različnih pogledov (različne lokacije in orientacije
kamere, s katero so bile slike zajete). Na voljo sta tudi
evalvacijski protokol in prosto dostopna programska
oprema za nepristransko primerjavo opisnikov na
treh nalogah: verifikaciji zaplat, ujemanju slik in
poizvedovanju po zaplatah. Zaplate v slikovni bazi
so po težavnosti razvrščene v tri skupine: enostavno,
zahtevno in zelo zahtevno. S protokolom je mogoče
ovrednotiti običajno obliko opisnika in njegovo
normalizirano različico ZCA. V eksperimentu dosledno
sledimo predlaganemu protokolu.
Opraviti želimo dva eksperimenta. S prvim prever-
jamo, ali je za predstavitev lokalne regije bolje uporabl-
jati vrednosti GE in θE , določene z enačbama 5
in 4, kjer uporabljamo parcialne odvode prvega reda
Gaussove funkcije, ali vrednosti m in θg , določene
z enačbama 10 in 11. Standardna deviacija Gaussove
funkcije je za obe različici opisnika enaka 2,4 piksla.
Rezultate eksperimenta prikazujeta slika 3 in tabela 1.
Rezultati so boljši za opisnik, kjer uporabljamo parcialne
odvode prvega reda Gaussove funkcije. Izjema je naloga
verifikacije zaplat, kjer dobi osnovna oblika opisnika
boljši rezultat za slikovni gradient. Kot je navedeno v
članku [16], sta opisnika E in EL manj primerna za
nalogo verfkacije zaplat, zelo uspešna pa za nalogo
ujemanja slik in poizvedovanja po zaplatah.
Z drugim eksperimentom želimo ugotoviti, ali
večkratno filtriranje zaplat na različnih merskih lestvicah
pripomore k izboljšavi opisnika EL. Opisnik, ki
uporablja dvakratno filtriranje, označimo z EL2. Opisnik
uporablja dve množici filtrov (Slika 1), v prvem primeru
velja σ1 = 2, 4 piksla, v drugem pa σ2 = 4, 2 piksla.
Tabela 2 in slika 3 prikazujeta rezultate eksperimenta.
∗https://github.com/hpatches/hpatches-dataset
Slika 3: Rezultati, dobljeni za različice opisnika E in EL
za tri različne naloge: verifikacija zaplat, ujemanje slik in
poizvedovanje po zaplatah. Zaplate so po težavnosti razvrščene
v tri skupine: enostavna, zahtevna in zelo zahtevna. Rezultati
predstavljajo mAP (angl. mean Average Precision), kot je
podano v članku [4]. Opisnik, ki uporablja slikovni gradient,
je označen kot Eg. Opisnik, ki uporablja dvakratno filtriranje,
je označen kot EL2. Znak + pred imenom opisnika in črtkan
okvir označujeta rezulte, dosežene z normalizirano različico
ZCA [4].
252 MAVER
Dodatno filtriranje izboljša rezultate na nalogi veri-
fikacije zaplat in na nalogi ujemanja slik, vendar tu le
za osnovno verzijo opisnika, za normalizirano različico
ZCA rezultati niso izboljšani. Na sliki 3 opazimo, da
se v primeru opisnika EL2 izboljšajo rezultati za spre-
membe v pogledu, predvsem na enostavni skupini zaplat,
poslabšajo pa se rezultati na zaplatah, kjer se spreminja
osvetlitev. Iz razultatov prav tako sledi, da se dvakratno
filtriranje ne splača za nalogo poizvedovanja po zaplatah.
Tabela 2: Rezultati za naloge verifikacija zaplat, ujemanje slik
in poizvedovanje po zaplatah, izračunani za opisnika EL in
EL2. Vse vrednosti so podane v mAP[%] (angl. mean Average
Precision). Doseženi rezultati so podani v parih. Prva vrednost
je rezultat, dobljen z osnovno metodo, druga z normalizirano
različico ZCA [4]. Opisnik, ki uporablja dvakratno filtriranje,
je označen kot EL2. Najboljši rezultat v stolpcu je poudarjen.
Op. Verifikacija Ujemanje sl. Poizved.
osn. , ZCA osn. , ZCA osn. , ZCA
EL 73,36 , 79,99 36,92, 43,00 40,68 , 48,12
EL2 74,07 , 80,04 37,24 , 42,75 40,26 , 47,11
5 SKLEP
V delu raziskujemo različice opisnika EL. Izkazalo se
je, da so za različne naloge primerne različne različice
opisnika EL. Za nalogi ujemanje slik in poizvedovanje
po zaplatah je bolje uporabiti odzive slike na parcialne
odvode prvega reda Gaussove funkcije kot pa slikovni
gradient, ki ga računa opisnik SIFT. Filtriranje zaplat
na različnih merskih lestvicah je dobrodošlo za nalogo
verifikacije zaplat. Za nalogo ujemanja slik izboljša
rezultate, ko v prizoru ni sprememb v osvetlitvi, za
nalogo poizvedovanja po zaplatah pa je manj primerno.
ZAHVALA
Raziskavo je omogočilo Ministrstvo za izobraževanje,
znanost in šport Republike Slovenije v okviru programa
P2-0214-Računalniški vid.
REFERENCES
[1] H. Aanæs, A. L. Dahl, and K. S. Pedersen. Interesting interest-
points. Int. J. Comput. Vis., 97, pp. 18–35, 2012.
[2] P. Alcantarilla, A. Fernandez Bartoli, and A. J. Davison. KAZE
features. In Proc. 12th ECCV, pp. 214–227, 2012.
[3] R. Arandjelović and A. Zisserman. Three things everyone should
know to improve object retrieval. In Proc. IEEE Conf. CVPR,
pp. 2911–2918, 2012.
[4] V. Balntas, K. Lenc, A. Vedaldi, and K. Mikolajczyk. Hpatches:
A benchmark and evaluation of handcrafted and learned local
descriptors. In Proc. IEEE Conf. CVPR, 2017.
[5] V. Balntas, E. Riba, D. Ponsa, and K. Mikolajczyk. Learning
local feature descriptors with triplets and shallow convolutional
neural networks. In Proc. British Machine Vision Conf., pp.
119.1–119.11, 2016.
[6] H. Bay, A. Ess, T. Tuytelaars, L. van Gool. Speeded-up robust
features (SURF). Comput. Vis. Image Understanding, vol. 110,
pp. 346–359, 2008.
[7] S. Biancoa, D. Mazzinia, D. P. Paub, and R. Schettinia. Local
detectors and compact descriptors for visual search: A quanti-
tative comparison. Digital Signal Processing, vol. 4, pp. 1–13,
2015.
[8] M. Brawn and D. G. Lowe. Automatic Panoramic Image Stitch-
ing using Invariant Features. International Journal of Computer
Vision, vol.74, no.1, pp. 59–73, 2007.
[9] M. Calonder, V. Lepetit, M. Ozuysal, T. Trzcinski, C. Strecha,
P. Fua. BRIEF: Computing a local binary descriptor very fast.
IEEE Trans. PAMI, vol. 34, pp. 1281–1298, 2012.
[10] W. Freeman and E. Adelson. The design and use of steerable
filters. IEEE Trans. PAMI, vol. 13, pp. 891–906, 1991.
[11] J. Heinly, E. Dunn, and J. M. Frahm. Comparative evaluation of
binary features. In Proc. 12th ECCV, pp. 759–773, 2012.
[12] D. Lowe. Distinctive image features from scale-invariant key-
points. Int. J. Comput. Vis., vol. 60, pp. 91–110, 2004.
[13] D. Lušina and J. Maver. Prepoznava obrazov z AG opisnikom.
Elektrotehniški vestnik, vol. 86(1-2), pp. 7–13, 2019.
[14] S. Madeo and M. Bober. Fast, compact, and discriminative:
Evaluation of binary descriptors for mobile applications. IEEE
Trans. Multimedia, vol. 19, pp. 221–235, 2017.
[15] R. Mandeljc and J. Maver. AGs: local descriptors derived from
the dependent effects model. J. Vis. Commun. Image Rep., vol.
58, pp. 503–514, 2019.
[16] J. Maver and D. Skočaj. EL - Local image descriptor based on
extreme responses to partial derivatives of 2D Gaussian function.
Mathematical Problems in Engineering, vol. 2019, article ID
1247925, 10 pages, 2019.
[17] K. Mele, D. Šuc, and J. Maver. Local probabilistic descriptors
for image categorisation. IET Computer Vision, vol.3, no. 1, pp.
8–23, 2009.
[18] K. Mikolajczyk and C. Schmid. A performance evaluation of
local descriptors. IEEE Trans. PAMI, vol. 27, pp. 1615–1630,
2005.
[19] P Moreels and P. Perona. Evaluation of features detectors and
descriptors based on 3d objects. Int. J. Comput. Vis., vol. 73, pp.
263–284, 2007.
[20] J. L. Schoenberger, H. Hardmeier, T. Sattler, and M. Pollefeys.
Comparative evaluation of hand-crafted and learned local fea-
tures. In Proc. Conf. Computer Vision and Pattern Recognition,
2017.
[21] E. Simo-Serra, E. Trulls, L. Ferraz, I. Kokkinos, P. Fua, and F.
Moreno-Noguer. Discriminative learning of deep convolutional
feature point descriptors. In Proc. IEEE ICCV, pp. 118–126,
2015.
[22] S. Winder and M. Brown. Learning local image descriptors. In
Proc. IEEE Conf. CVPR, pp. 1–8, 2007.
[23] Xiaosheng Yu, Yifei Zhang, and Huan Wang. A Novel Local
Human Visual Perceptual Texture Description with Key Feature
Selection for Texture Classification. Mathematical Problems in
Engineering, vol. 2019, 20 pages, 2019.
[24] S. Zagoruyko and N. Komodakis. Learning to compare image
patches via convolutional neural networks. in Proc. IEEE Conf.
CVPR, pp. 4353–4361, 2015.
[25] L. Xie, Q. Tian, and B. Zhang. Max-sift: flipping invariant de-
scriptors for web logo search. In Proc. of the 2014 IEEE Interna-
tional Conference on Image Processing (ICIP), pp. 5716–5720,
2014.
[26] L. Xie, J. Wang, W. Lin, B. Zhang, and Q. Tian. Towards
reversal-invariant image representation. Int. J. Comput. Vis., vol.
123, no. 2, pp. 226–250, 2017.
Jasna Maver je leta 1995 doktorirala s področja računalništva na
Fakulteti za elektrotehniko in računalništvo Univerze v Ljubljani. V
letih 1990 in 1991 je bila raziskovalka v laboratoriju GRASP na
Univerzi v Pensilvaniji, kjer je raziskovala na področju aktivnega
robotskega vida. Je izredna profesorica za računalništvo in informatiko
na Univerzi v Ljubljani. Zaposlena je na Oddelku za bibliotekarstvo,
informacijsko znanost in knjigarstvo na Filozofski fakulteti, kjer
predava računalniške predmete. Na raziskovalnem področju sodeluje z
Laboratorijem za računalniški vid in Laboratorijem za umetne vizualne
spoznavne sisteme na Fakulteti za računalništvo in informatiko. Njeno
trenutno področje raziskovanja je gradnja nizkonivojskih opisnikov
lokalnih regij v slikah, ki jih lahko uporabimo za različne naloge
računalniškega vida.