R2D2: 신뢰성 있고 반복 가능한 검출기 및 기술자

관심점 탐지와 국소적 특징 기술은 여러 컴퓨터 비전 응용 분야에서 핵심적인 단계이다. 기존의 접근 방식은 별도의 수작업 기반 방법을 사용하여 먼저 반복 가능한 관심점을 탐지한 후, 그 점들을 국소적 특징 기술자로 표현하는 '탐지 후 기술' 패러다임에 기반한다. 최근에는 메트릭 학습 손실을 통해 훈련된 신경망이 이러한 기법들과 비슷한 성능을 달성하고 있으며, 주로 반복 가능한 주목성 맵을 학습하여 관심점을 탐지하거나 탐지된 관심점 위치에서 특징 기술자를 학습하는 데 집중하고 있다. 본 연구에서는 반복 가능한 영역이 반드시 구분력이 있는 것은 아니며, 따라서 최적의 관심점을 선택하는 데 부적절한 영역을 포함할 수 있다고 주장한다. 또한, 매칭이 높은 신뢰도로 수행 가능한 영역에서만 특징 기술자를 학습해야 한다고 제안한다.따라서 우리는 관심점 탐지와 특징 기술을 함께 학습하면서 동시에 국소적 특징 기술자의 구분력을 예측하는 모델을 함께 학습하는 새로운 접근법을 제안한다. 이를 통해 모호한 영역을 피할 수 있어 신뢰할 수 있는 관심점 탐지와 특징 기술이 가능해진다. 제안한 탐지 및 기술 방식은 희소성, 반복성, 신뢰성을 동시에 갖춘 관심점을 출력하며, HPatches 데이터셋과 최신 Aachen Day-Night 위치 추정 벤치마크에서 최신 기술들을 능가하는 성능을 보였다.