특징 표현 기술의 발전에도 불구하고, 큰 이미지 변동 하에서 신뢰할 수 있는 시각적 대응을 설정하기 위해서는 기하학적 관계를 활용하는 것이 중요합니다. 본 연구에서는 컨볼루션 매칭에 대한 호프 변환(Hough transform) 관점을 도입하고, 효과적인 기하학적 매칭 알고리즘인 컨볼루셔널 호프 매칭(Convolutional Hough Matching, CHM)을 제안합니다. 이 방법은 후보 매칭들의 유사성을 기하학적 변환 공간에 분산시키고, 이를 컨볼루션 방식으로 평가합니다. 우리는 이를 반등방성 준다차원 커널(semi-isotropic high-dimensional kernel)을 사용한 학습 가능한 뉴럴 레이어로 구현하여, 해석 가능한 적은 수의 파라미터로 비강체(non-rigid) 매칭을 학습할 수 있도록 설계했습니다. 효과를 검증하기 위해, 번역과 스케일링 변환 공간에서 컨볼루션 매칭을 수행하는 CHM 레이어를 포함한 신경망을 개발했습니다. 우리의 방법은 의미론적 시각적 대응에 대한 표준 벤치마크에서 새로운 최고 성능을 달성하며, 어려운 클래스 내 변동에 대해 강력한鲁棒性(robustness)를 입증하였습니다.注：在最后一句中，“鲁棒性”是中文术语，应该翻译为“강건성”。以下是修正后的版本：특징 표현 기술의 발전에도 불구하고, 큰 이미지 변동 하에서 신뢰할 수 있는 시각적 대응을 설정하기 위해서는 기하학적 관계를 활용하는 것이 중요합니다. 본 연구에서는 컨볼루션 매칭에 대한 호프 변환(Hough transform) 관점을 도입하고, 효과적인 기하학적 매칭 알고리즘인 컨볼루셔널 호프 매칭(Convolutional Hough Matching, CHM)을 제안합니다. 이 방법은 후보 매칭들의 유사성을 기하학적 변환 공간에 분산시키고, 이를 컨볼루션 방식으로 평가합니다. 우리는 이를 반등방성 준다차원 커널(semi-isotropic high-dimensional kernel)을 사용한 학습 가능한 뉴럴 레이어로 구현하여, 해석 가능한 적은 수의 파라미터로 비강체(non-rigid) 매칭을 학습할 수 있도록 설계했습니다. 효과를 검증하기 위해, 번역과 스케일링 변환 공간에서 컨볼루션 매칭을 수행하는 CHM 레이어를 포함한 신경망을 개발했습니다. 우리의 방법은 의미론적 시각적 대응에 대한 표준 벤치마크에서 새로운 최고 성능을 달성하며, 어려운 클래스 내 변동에 대해 강력한 강건성을 입증하였습니다.