在本项目中，我们将深入探讨如何使用TensorRT部署SuperPoint和SuperGlue算法，这是一个优质的算法部署实战案例。TensorRT是NVIDIA推出的一款高性能的深度学习推理（Inference）优化和运行时库，它能够为深度学习模型提供高效的运行速度和低延迟。SuperPoint和SuperGlue是计算机视觉领域的关键算法，分别用于特征检测与描述以及特征匹配。 让我们了解SuperPoint算法。SuperPoint是一种自监督学习的局部特征检测和描述符方法，它的设计目标是能够在各种复杂的环境和光照条件下稳定地提取出图像的关键点，并为其分配独特的描述符。该算法通过对比度度量、响应度选择和几何一致性检查等步骤，确保了所提取特征的质量和稳定性。 接下来是SuperGlue，它是一个两阶段的特征匹配框架。在第一阶段，SuperGlue利用图神经网络（GNN）来学习特征之间的关系，以增强匹配的准确性。第二阶段，它采用了一种基于注意力的匹配策略，根据特征之间的相似性进行加权，从而提高匹配的鲁棒性。SuperGlue在图像配对、姿态估计和三维重建等领域有着广泛的应用。 TensorRT在部署SuperPoint和SuperGlue时的角色至关重要。它通过将深度学习模型转换为高效的C++接口，可以显著加速推理过程。TensorRT支持模型的优化，包括量化、裁剪和层融合，这些技术有助于减少计算资源的需求，同时保持模型的精度。在实际应用中，这通常意味着更快的处理速度和更低的功耗。 在实战项目中，我们首先需要将训练好的SuperPoint和SuperGlue模型转换为TensorRT兼容的格式。这通常涉及模型的序列化，以便TensorRT可以理解和优化模型的计算图。然后，我们需要编写C++或Python代码来加载模型，处理输入图像，执行推理，并处理输出结果。在这个过程中，我们需要注意数据类型的转换，以及输入和输出的尺寸和格式，以确保与TensorRT的接口匹配。 为了验证部署效果，我们需要使用测试数据集来评估模型的性能。这可能包括计算特征检测的速度、特征匹配的精度等指标。此外，我们还需要关注模型在不同硬件平台上的表现，比如GPU、CPU或者嵌入式设备，以确定最合适的部署方案。 这个项目将指导你如何利用TensorRT高效地部署SuperPoint和SuperGlue算法，实现高质量的特征检测和匹配。通过实践，你将掌握深度学习模型优化、推理引擎使用以及性能调优等关键技能，这对于在实际的计算机视觉项目中应用这些先进算法具有很高的价值。

SOLD² - Self-supervised Occlusion-aware Line Description and Det

superpoint源码|含有部分数据集（coco、hpatches）

超点 这是“ SuperPoint：自我监督的兴趣点检测和描述”的Tensorflow实现。 Daniel DeTone，Tomasz Malisiewicz，Andrew Rabinovich。 。 HPatches上的结果 检测器评估 HPatches的可重复性，计算出在成对图像之间共有300个点，并且NMS为4： 照明变化 观点改变 SuperPoint（我们的实现） 0.662 0.674 SuperPoint（ ） 0.641 0.621 快速地 0.576 0.625 哈里斯 0.630 0.755 施 0.584 0.629 描述符评估 对HPatch进行的单应估计法，计算出的最大成对图像之间共检测到1000个点，正确性阈值为3，NMS为8： 照明变化 观点改变 SuperPoint（我们的实现） 0.965 0.712 SuperPoint

SuperPoint视觉里程表（SP-VO） 抽象的 此视觉是和之间的组合。 要求 的Python 3.5 脾气暴躁的 python> = 3.4 > = 0.4 数据集 SuperPoint的预训练模型 用法 执行视觉里程表 将main.py中的路径和Sequence_Num修改为图像序列和地面真实轨迹，然后运行 python main.py VO过程在2个屏幕中可视化（轨迹和特征提取（上：SP-VO，下：Normal-VO）） 可视化器 将result_visualizer.py中的路径修改为您的输出（“ kitti_XX.txt”） python result_visualizer.py 可视化的示例如下。 参考 monoVO-Python 超点预训练网络 单目视觉测程使用的OpenCV及其相关项目报告单目视觉里程计| 阿维·辛格（Avi Singh）

超点火炬 该文件是对Superpoint模型的pytorch实现和评估，如。 我们在RémiPautrat的tensorflow实现中找到了很大的帮助： : 。 在兴趣点检测中，我们的模型似乎未完全收敛： 但是，同形加法与我们的模型相结合的结果看起来还是不错的： 与其他点检测模型进行比较： 与原始模型相比，总体结果未达到跟踪能力。 对于原始模型，匹配点是： 与我们的实施： 尽管总体结果不能令人满意，但是我们希望可以将不同的块（数据生成，单应性调整等）用于将来的工作。 该文件中包含实施的所有阶段： 1）生成综合数据集- 创建一个包含100000个人造合成形状图像的数据集，以及包含图像名称和标签的数据集文件。这部分在tesla v-100上大约需要12个小时 2）Magicpoint_training_with_synthetic_dataset- 如本文中所述训练魔

SuperPoint——兴趣点检测与描述自监督训练框架

superglue三部曲之一：2019年的SuperPoint

深度学习配准代码和SLAM的代码

superpoint