Mikolajczykらによって紹介されたHarris-Laplacian-Detectorについて質問があります。ハリスを使用すると、特定の各スケール内の「角」の最大値を検索し、ラプラシアンを使用して、見つかったハリスポイントのスケールよりも1つ大きいスケールと1つ小さいスケールで「ブロブネス」の最大値を検索します。
スケールを超えた「ブロブネス」の最大化がコーナーポイントにこれほど良い影響を与えるのはなぜですか？良いコーナーポイントを見つけるには、最大の「コーナーネス」を検索する（たとえば、スケール全体でハリスの最大値を見つける）方がはるかに優れていると思います。
スケール不変性を確保するには、ラプラシアンを含める必要があります。
スケールに適合したハリス検出器は（検出位置に関して）非常に優れた再現性を備えていましたが、スケールの選択には問題が残っていました。彼らはそれに気づきました
実験中に、適応されたハリス汎関数が3D空間で最大になることはめったにないことに気づきました。したがって、スケール最大値の検出には、別の関数であるラプラシアンを使用することを提案します。
これは彼の論文でより詳細に説明されています：
私たちの実験（セクション3.2.4を参照）では、スケール適応ハリス関数がスケール空間表現のスケールを超える最大値に達することはめったにないことに気づきました。検出された関心点が少なすぎると、画像が確実に表現されません。したがって、ハリス汎関数の3D最大値を検索するというアイデアを放棄しました。さらに、実験は、LoG関数が正しい特性スケールの最高のパーセンテージを見つけることを可能にすることを示しました。したがって、ラプラシアンを使用して、ハリス検出器で抽出されたポイントのスケールを選択することを提案します。Harris-Laplace検出器は、Harris関数（式4.1を参照）を使用して、スケール空間表現の各レベルでポイントをローカライズします。次に、ガウスのラプラシアン（式4.2を参照）が最大のオーバースケールに達するポイントを選択します。このようにして、これら2つの方法を組み合わせて、重要なスケール変化に対して不変の信頼できる関心点検出器を取得します。
ハリス汎関数がスケールに対して多くの最大値を与えない理由についての直感的な説明はありませんが、経験的に、彼らはこれが事実であることに気づきました。Harrisスケールスペースの最大値を使用することを妨げるものは何もないように見えますが、おそらく検出数がはるかに少なくなるでしょう。