DISK: 정책 그래디언트를 이용한 국소 특성 학습

로컬 특징 프레임워크는 희소 키포인트의 선택과 매칭에 내재된 이산성 때문에 엔드투엔드 방식으로 학습하기 어렵습니다. 우리는 이 장애물을 극복하기 위해 강화학습(RL) 원칙을 활용한 새로운 방법인 DISK (DIScrete Keypoints)를 소개합니다. 이 방법은 많은 수의 올바른 특징 매칭을 위해 엔드투엔드 최적화를 수행합니다. 우리의 간단하면서도 표현력이 뛰어난 확률 모델은 훈련 및 추론 체제를 가깝게 유지할 수 있게 하면서, 충분히 좋은 수렴 속성을 유지하여 안정적으로 처음부터 훈련할 수 있습니다. 우리의 특징은 매우 밀집하게 추출될 수 있으며, 차별성이 있어 일반적으로 좋은 키포인트가 무엇인지에 대한 통상적인 가정을 도전하며, Fig. 1에서 보여지듯 세 개의 공개 벤치마크에서 최고 수준의 결과를 제공합니다.