IF-Net: 조명 불변 특징 네트워크

특징 기술자 매칭은 이미지 스티칭, 이미지 검색, 시각적 위치 추정 등 여러 컴퓨터 비전 응용 분야에서 핵심적인 단계이다. 그러나 이러한 기술은 종종 실용적인 요인들에 의해 영향을 받으며, 이로 인해 성능이 저하되는 경우가 많다. 이러한 요인들 중에서도 조도 변화가 가장 큰 영향을 미치며, 특히 기존의 특징 기술자 학습 연구들은 이 문제에 대한 집중적인 고려를 하지 않았다. 본 논문에서는 극한의 조도 변화 조건에서도 강건하고 일반화 가능한 특징 기술자를 생성하기 위해 IF-Net을 제안한다. 우리는 학습 데이터의 종류뿐 아니라, 데이터가 제시되는 순서 역시 중요하다는 점을 발견하였다. 이를 위해 여러 데이터셋 스케줄링 방법을 탐색하고, 매칭 정확도를 향상시키기 위한 분리 학습 방식을 제안한다. 더불어, 제안된 학습 방식과 함께 ROI 손실 함수와 하드 양성 샘플 마이닝 전략을 도입하여, 생성된 특징 기술자가 큰 조도 변화에 대응하는 능력을 강화하였다. 우리는 공개된 패치 매칭 벤치마크에서 제안한 방법을 평가하여 여러 최첨단 기법들과 비교해 가장 우수한 성능을 달성하였다. 실용성 검증을 위해, 대규모 조도 변화가 발생하는 환경에서의 시각적 위치 추정 작업에 대해 IF-Net을 추가적으로 평가하였으며, 이 경우에도 최고의 위치 추정 정확도를 기록하였다.