雅施达撒

图像匹配任务的核心是找到两个相机拍摄图片间的相似几何（旋转、平移） 检测特征点（以SIFT为例） num_feature表示特征点的数量，创建特征检测器sift_detector。 contrastT

相机投影 本文的主要主题之一是图像形成的过程，即三维世界的二维表示的形成，以及我们可以推断图像中出现的三维结构。三维世界到二维图像是一个投影过程，在这个过程中我们失去了一个维度。这个过程的通常建模方法

多视图几何介绍 无处不在的投影几何（ projective geometry） 我们对投影变换都很熟悉。当我们看一幅画时，我们看到的正方形不是正方形，圆圈也不是正圆，将这些平面物体映射到图像上的变换就

特征匹配已广泛应用于计算机视觉和模式识别等诸多领域，常用方法是将其分为两阶段： 第一阶段，显著的明显的特征，即从每幅图像中提取关键点及其局部描述子（descriptor），基于描述子的相似度约束建立一

简介 多视图分类（Multi-view classification, MVC）通常与多模态或多种类型的特性相关联，普遍存在于现实场景中。最先进的多视图学习方法在广泛的现实世界应用中取得了巨大的成功，

度量距离的基本理论和计算方法见链接 欧式距离 规范化欧式距离 即在计算欧式距离之前先将数据规范化处理，普遍使用的方法有三种，最大最小规范化、零均值规范化和L2范数规范化。 马氏距离 即在规范化欧式距离

Learning Joint Embedding with Multimodal Cues for Cross-Modal Video-Text Retrieval 简介 本文研究主要针对跨模态视频文

简介 联合嵌入（Joint embeddings）在多媒体数据分割中得到了广泛的应用，它将对不同模态的理解整合在一起。这些嵌入通常是将来自两个或多个不同域(例如图像和文本)的输入映射到一个公共潜在空间

Learning Transferable Visual Models From Natural Language Supervision 简介 在过去的几年里，直接从原始文本中学习的预训练方法已经彻