解释 ORB 中的 rBRIEF 和 steered BRIEF
Explain about rBRIEF and steered BRIEF in ORB
我正在阅读有关 ORB 的原始论文。在阅读 rBRIEF 中的描述符时，我发现它真的很混乱。这里的论文说
We also enumerate all possible binary tests
drawn from a 31×31 pixel patch. Each test is a pair of 5×5
sub-windows of the patch. If we note the width of our patch
as wp = 31 and the width of the test sub-window as wt = 5,
then we have N = (wp − wt)^2 possible sub-windows. We
would like to select pairs of two from these, so we have N
2
binary tests. We eliminate tests that overlap, so we end up
with M = 205590 possible tests
在rBRIEF之前，作者提到了steered BRIEF，它利用方向构造新的(x,y)分布来寻找二进制。但是在 rBRIEF 中，我没有看到他们提到方向，只是说 'Each test is a pair of 5x5 sub-window'，所以 5x5 sub-window 需要将强度与另一个点进行比较的意义是什么5x5?
如果你觉得很难理解我写的东西，问题是：5x5 sub-window 中的哪个点我需要找到与另一个 5x5 sub-[= 中的另一个点进行强度比较20=]?方向是否有助于 rBIREF ？如果是，怎么做？
非常感谢
Which is the point in 5x5 sub-window I need to find to compare intensity with another point in another 5x5 sub-window?
那个 window 的中心点（这也是为什么这个 window 大小和卷积过滤器通常很奇怪的原因）。使用这样的 window 是因为在实际像素（强度）比较之前应用了平滑。使其对噪声更加鲁棒，同时具有丢失一些信息的缺点
Is orientation contributes to rBIREF ? And if yes, How?
sBRIEF 通过使用任意检测器（例如 SURF）近似补丁的角度来补偿旋转变化
rBRIEF 是 ORB 作者版本的旋转变化补偿，因为它基于 BRIEF 描述符（简而言之，他们使用图像矩来计算补丁的质心并进行旋转，同时使用学习策略来克服sBrief 的缺点，即方差损失）
我正在阅读有关 ORB 的原始论文。在阅读 rBRIEF 中的描述符时，我发现它真的很混乱。这里的论文说
We also enumerate all possible binary tests drawn from a 31×31 pixel patch. Each test is a pair of 5×5 sub-windows of the patch. If we note the width of our patch as wp = 31 and the width of the test sub-window as wt = 5, then we have N = (wp − wt)^2 possible sub-windows. We would like to select pairs of two from these, so we have N 2 binary tests. We eliminate tests that overlap, so we end up with M = 205590 possible tests
在rBRIEF之前，作者提到了steered BRIEF，它利用方向构造新的(x,y)分布来寻找二进制。但是在 rBRIEF 中，我没有看到他们提到方向，只是说 'Each test is a pair of 5x5 sub-window'，所以 5x5 sub-window 需要将强度与另一个点进行比较的意义是什么5x5?
如果你觉得很难理解我写的东西，问题是：5x5 sub-window 中的哪个点我需要找到与另一个 5x5 sub-[= 中的另一个点进行强度比较20=]?方向是否有助于 rBIREF ？如果是，怎么做？
非常感谢
Which is the point in 5x5 sub-window I need to find to compare intensity with another point in another 5x5 sub-window?
那个 window 的中心点（这也是为什么这个 window 大小和卷积过滤器通常很奇怪的原因）。使用这样的 window 是因为在实际像素（强度）比较之前应用了平滑。使其对噪声更加鲁棒，同时具有丢失一些信息的缺点
Is orientation contributes to rBIREF ? And if yes, How?
sBRIEF 通过使用任意检测器（例如 SURF）近似补丁的角度来补偿旋转变化
rBRIEF 是 ORB 作者版本的旋转变化补偿，因为它基于 BRIEF 描述符（简而言之，他们使用图像矩来计算补丁的质心并进行旋转，同时使用学习策略来克服sBrief 的缺点，即方差损失）