第7名方案（简述）

致谢

首先，我们要感谢主办方（@eduardtrulls, @oldufo）和Kaggle工作人员开启了这项非凡的挑战，让我们有机会毫无障碍地学习、受苦（😏）和成长。他们非常友善，迅速回应问题并留下了有用的参考资料和教程。就我个人而言，虽然我在Kaggle上还是个新手，但我以前从未见过这种情况。

其次，感谢分享你们的notebooks（@remekkinas, @radac98）和想法（@kirderf, @johanedstedt），让我们这些初学者可以从中学习并继续前进。我期待有一天我也能发布这样的notebooks或讨论：

• Detector-free Local Feature Matching w/ Transformer
• IMC 2022 - Kornia - Score: 0.725
• Public Baseline DKM - 0.667
• Discussion 324805
• Discussion 321177

简短感言

这是我在Kaggle的第二次比赛，但这是我第一次认真投入时间和精力。（下班后的夜晚和周末..😂）而且，我和队友几乎是零背景知识加入这场比赛的，我相信我们这里的许多人都是一样的，我们从这次比赛中学到了很多。所以这对我来说是一个非常有意义的结果 😊

方案总结

实际上，我们很惊讶其他顶尖队伍至少集成了3-4个模型（虽然我们只用了2个），所以我们从中学习到集成几乎总是有效的。将在接下来的比赛中使用它。

0. 模型

1. LoFTR (arXiv:2104.00680)
2. DKM (arXiv:2202.00667)

1. K-means 和 裁剪 (Crop)

我们观察到匹配点倾向于集中在有希望的区域，而在不确定的区域（如道路）分散。那么为什么不裁剪那些有希望的区域呢？我们首先使用 K-means 对匹配点进行聚类，根据点的数量找到最有希望的聚类，并选取该聚类的中心点进行裁剪。我们从图像1中裁剪该区域（512x512），从图像2中提取相应区域（512x512），将它们设置为新的图像对，并运行模型以获得更有意义的匹配点。这种方法即使没有集成也提高了我们的分数。

此外，我们尝试裁剪两个有希望的区域以获得越来越多的匹配点。起初它有效并提高了我们的分数。然而，这种方法推理时间太长，限制了我们可以用于实验其他方法的资源，所以我们改变了方向。

2. 来回变形匹配

我们从上一届IMC2021挑战赛获胜队伍（DenseMatching）那里得到了这个想法，他们首先基于粗略匹配的单应性矩阵对图像1进行变形，然后用新的变形图像对获得更准确的结果。我们的实现方式类似，首先使用 cv2.findHomography 为原始图像对(1->2 和 2->1) 用LoFTR计算单应性矩阵，获得新的两个图像对（warped_image1/image2 & image1/warped_image2），对这两对都运行模型，并连接得到的匹配点。

3. 集成

集成LoFTR和DKM绝对有助于提高我们的分数。LoFTR在需要一般和基于全局上下文理解的情况下更加稳健和强大。另一方面，DKM在局部和有希望的区域表现更好。因此，我们使用Lo