Hyperpixel Flow: 다층 신경망 특징을 이용한 의미적 대응

대규모 클래스 내 변동 하에서 시각적 대응을 설정하기 위해서는 의미와 맥락에 연관된 특징부터 국소 패턴까지 다양한 수준에서 이미지를 분석하면서 인스턴스별 세부 사항에 불변성을 유지해야 합니다. 이러한 도전 과제를 해결하기 위해, 우리는 초기부터 후기 층까지의 합성곱 신경망에서 적은 수의 관련 특징을 선택하여 '하이퍼픽셀(hyperpixels)'로 이미지를 표현합니다. 하이퍼픽셀의 집약된 특징을 활용하여, 우리는 호프 기하학적 투표(Hough geometric voting)를 기반으로 한 효과적인 실시간 매칭 알고리즘을 개발하였습니다. 제안된 방법인 하이퍼픽셀 플로우(hyperpixel flow)는 세 가지 표준 벤치마크와 새로운 데이터셋인 SPair-71k에서 새로운 최고 성능을 달성하였습니다. SPair-71k는 기존 데이터셋보다 훨씬 많은 이미지 쌍을 포함하고 있으며, 더욱 정확하고 풍부한 주석으로 심층 분석이 가능합니다.