Scene은 현실 세계 또는 가상의 3차원 공간에 존재하는 물체, 구조, 광원, 재질, 배경 등으로 이루어진 공간적·기하학적 정보의 집합체1. Scene 의 세부 종류와 Image:1-1. Physical Scene (물리적 장면): 현실 세계에 존재하는 3차원 구조로, 광원, 물체, 표면 재질 등이 실제로 존재하는 공간우리가 카메라로 촬영하는 실제 세계를 의미함.1-2. Geometric Scene (기하학적 표현): 거리, 크기, 방향 등의 기하 정보 포함함.3D 메쉬 (Geometric Scene의 표면을 표시), Point Cloud (Geometric Scene 의 기하학적 정보를 점으로 표현) 등으로 구성됨.Physical Scene을 3D 형태로 디지털화한 결과.SLAM, Lidar 스캔 등..

DigitizationDigitization is the process of converting analog information into digital form throughsampling,quantization, andencoding (생략되기도 함) Digitization makes signals suitable for processing, storage, and transmission in digital systems. 더보기다음 그림은 영상에서의 Digitization 과정이 어디에 위치하는 지를 잘 보여줌Sampling and Quantization:Sampling: 연속 Signal를 일정한 간격(시간 또는 공간 상에서)을 두고 순간의 값 (혹은 해당 구간의 평균값)을 취해 Discrete ..

1. Locality Sensitive Hashing (LSH)란 무엇인가?Locality Sensitive Hashing (LSH): 대규모 데이터셋에서 유사한 항목을 빠르게 찾기 위한 해싱 기법.개발 연도: 1998년대표 논문:Indyk, P., & Motwani, R. "Approximate Nearest Neighbors: Towards Removing the Curse of Dimensionality." Proceedings of the 30th Annual ACM Symposium on Theory of Computing (STOC), 1998.Andoni, A. and Indyk, P. (2008) Near-Optimal Hashing Algorithms for Approximate Near..

Object Recognition(물체 인식)이나 증강현실 (”장면영상”에서 model에 matching되는 객체를 찾음)의 경우 다음이 일반적.Model Image:key point가 적은 편. (적은 수의 feature vector를 가짐.)n개의 keypoints 를 가진다고 가정Scene Image(장면영상):매우 많은 objects 와 다양한 배경이 혼재. (많은 수의 feature vectors 를 가짐.)m개의 keypoints 를 가진다고 가정matching에서는 model image 와 scene image 간에 1:1 correspondance 여부 검사를 여러 차례 수행앞서 model image의 keypoints의 수를 n개라고 하고, scene image에서의 keypoints 의..

Matching에서 geometric alignment와 transform estimation이 중요한 이유는, 단순히 feature vector의 유사도만을 고려하는 것보다 더 신뢰도 높은 대응점을 찾기 위해서임.  Matching 과정에서 두 이미지 또는 두 데이터 세트 사이의 correspondence를 찾는 것은 첫 번째 단계에 불과하며,여기서 추가적인 geometric 정보를 활용하면 대응점의 정확도를 크게 향상시킬 수 있음.때문에 1차적으로 얻은 correpondence를 통해 geometric transform matrix를 구하는 다양한 fitting 기법이 사용됨.더보기일반적 Matching 과정 절차:Feature vector의 distance 계산하여 두 데이터 사이의 잠재적 corr..

1. M-Estimator란M- Estimator는 Noise 에 Rubust 한 Statistical Estimator(통계적추정방법) 의 하나로서,Maximum Likelihood Estimatro (MLE)를 일반화한 방법임.이는 모델 parameter $\boldsymbol{\theta}$를 추정하기 위해residual $\mathbf{r}$에 대한 특정 object function을 정의하여 최소함.기존의 Least Square 에서 사용하는 object function인 $\|\mathbf{r}\|^2$ 대신에,outlier에 더 강건한 object function인 $\rho(\mathbf{r})$를 정의하여 사용함.2. Optimizer Problem으로 나타낸 M-Estimator일반적인..