13일 전

패치-넷브라드: 장소 인식을 위한 국지-전역 기술자 다중 스케일 융합

Stephen Hausler, Sourav Garg, Ming Xu, Michael Milford, Tobias Fischer
패치-넷브라드: 장소 인식을 위한 국지-전역 기술자 다중 스케일 융합
초록

시각적 장소 인식(Visual Place Recognition)은 항상 변화하는 환경에서 외관과 시점의 변화라는 두 가지 도전 과제를 해결해야 하는 로봇 및 자율 시스템에게 매우 어려운 과제이다. 본 논문에서는 NetVLAD 잔차에서 패치 수준의 특징을 도출함으로써 국소적 특징 기반 방법과 전역적 특징 기반 방법의 장점을 결합하는 새로운 접근 방식인 Patch-NetVLAD을 제안한다. 기존의 국소 키포인트 특징에서 고정된 공간적 이웃 구조를 사용하는 방식과 달리, 본 방법은 특징 공간 그리드 위에서 정의된 딥러닝 기반 국소 특징의 집계 및 매칭을 가능하게 한다. 또한, 적분 특징 공간을 통해 서로 보완적인 스케일(즉, 패치 크기)을 가진 다중 스케일 패치 특징을 융합하고, 융합된 특징이 조건(계절, 구조, 조명) 및 시점(이동 및 회전) 변화에 대해 매우 높은 불변성을 가지는 것을 보여준다. Patch-NetVLAD은 계산량이 유사한 수준에서 전역 및 국소 특징 기반 방법을 모두 능가하며, Facebook Mapillary 시각적 장소 인식 챌린지(ECCV2020)에서 우승하는 등 다양한 도전적인 실세계 데이터셋에서 최신 기술 수준의 성능을 달성하였다. 또한 사용자 요구에 따라 유연하게 조정 가능하며, 성능 최적화된 버전은 최신 기술 대비 약 10배 이상 빠른 속도로 작동한다. 구성 가능하고 뛰어난 성능과 함께 계산 효율성이 향상된 이 구조를 통해 Patch-NetVLAD은 독립적인 장소 인식 능력 향상은 물론, SLAM 시스템의 전반적인 성능 향상에도 매우 적합하다.

패치-넷브라드: 장소 인식을 위한 국지-전역 기술자 다중 스케일 융합 | 최신 연구 논문 | HyperAI초신경