초록
많은 실제 시퀀스는 일반적 또는 퇴화된 범주로 쉽게 분류할 수 없습니다. 이러한 경우, 모션 세그멘테이션을 위해 기본 행렬(fundamental matrix) 모델이나 호모그래피(homography) 모델 중 하나를 선택하는 이분법을 강요하면 어려움이 따르게 됩니다. 심지어 일반적인 장면 모션이 주어져도, 기본 행렬 접근 방식은 여전히 여러 가지 결함을 가지고 있으며, 이 논문에서 이를 논의합니다. 기본 행렬 접근 방식의 전반적인 잠재력을 실현하려면 간단한 호모그래피 모델에서 얻은 정보를 신중하게 활용해야 합니다. 이러한 고려 사항에 따라, 우리는 여러 모델을 협력적으로 결합하는 다중 뷰 스펙트럼 클러스터링 프레임워크를 제안합니다. 우리는 이 방법으로 성능이 크게 향상될 수 있음을 보여줍니다. 기존의 모션 세그멘테이션 데이터셋에서 광범위한 테스트를 수행하여 모든 데이터셋에서 최고 수준의 성능을 달성하였으며, 전통적인 데이터셋에서는 볼 수 없었던 강한 관점 효과와 강한 전방 이동 등의 실제 세계 효과를 포함하는 KITTI 벤치마크에서 적응된 더 현실적이고 도전적인 데이터셋도 제시합니다.