[논문 리뷰] Convolutional Neural Network-based Place Recognition

Zetao Chen, Obadiah Lam외 2명|arXiv (Cornell University)|2014. 11. 06.

Indoor and Outdoor Localization Technologies참고 문헌 15인용 수 201

한 줄 요약

이 논문은 공간적 및 순차적 필터링을 결합한 컨volutional 신경망(CNN)을 사용하여 특징 표현을 향상시키는 새로운 장소 인식 시스템을 소개한다. 70km 규모의 벤치마크 데이터셋에서 평가한 결과, 이전 최고 성능 기술 대비 정밀도 100%에서 재현율이 75% 향상되었으며, 사전 학습된 CNN의 21개 모든 레이어에서 유도된 딥 특징을 활용함으로써 뚜렷한 성능 향상을 이룩했다.

ABSTRACT

Recently Convolutional Neural Networks (CNNs) have been shown to achieve state-of-the-art performance on various classification tasks. In this paper, we present for the first time a place recognition technique based on CNN models, by combining the powerful features learnt by CNNs with a spatial and sequential filter. Applying the system to a 70 km benchmark place recognition dataset we achieve a 75% increase in recall at 100% precision, significantly outperforming all previous state of the art techniques. We also conduct a comprehensive performance comparison of the utility of features from all 21 layers for place recognition, both for the benchmark dataset and for a second dataset with more significant viewpoint changes.

연구 동기 및 목표

• 딥 특징을 활용한 컨볼루션 신경망(CNN)을 기반으로 한 장소 인식 시스템을 개발하여 성능을 향상시키는 것.
• 사전 학습된 CNN의 모든 21개 레이어에서 유도된 특징의 유용성을 탐구하는 것.
• 시야각 변화가 심한 조건에서도 인식 정확도를 향상시키는 것.
• 대규모 실세계 데이터셋에서 기존 최고 성능 기술을 뛰어넘는 장소 인식 성능을 확보하는 것.

제안 방법

• 모델은 사전 학습된 CNN(AlexNet)을 사용하여 모든 21개 레이어에서 이미지의 특징을 추출한다.
• 공간적 및 순차적 필터를 적용하여 레이어 간 특징를 통합하고 정제함으로써 특징의 강건성을 향상시킨다.
• 각 레이어의 특징를 개별적으로 및 조합하여 장소 인식 성능을 평가한다.
• 융합된 특징 표현을 사용하여 쿼리 이미지를 데이터베이스와 매칭하는 검색 파이프라인을 설계한다.
• 본 방법은 70km 규모의 벤치마크 데이터셋과 더 큰 시야각 변화가 있는 두 번째 데이터셋에서 검증된다.
• 표준 평가 지표인 정밀도 100%에서의 재현율 및 평균 평균 정확도를 사용하여 성능를 측정한다.

실험 결과

연구 질문

• RQ1 CNN의 다양한 레이어에서 유도된 특징는 장소 인식 성능에 어떻게 기여하는가?
• RQ2 공간적 및 순차적 필터링은 CNN 특징의 분류 능력을 향상시킬 수 있는가?
• RQ3 대규모 실세계 데이터셋에서 제안된 방법은 기존 최고 성능 기술과 비교해 어떻게 성능를 보이는가?
• RQ4 시야각 변화는 CNN 기반 장소 인식의 성능에 어떤 영향을 미치는가?
• RQ5 CNN의 모든 21개 레이어에서 유도된 딥 특징는 효과적으로 조합되어 인식 정확도를 향상시킬 수 있는가?

주요 결과

• 제안된 CNN 기반 방법은 이전 최고 성능 기술 대비 70km 규모의 벤치마크 데이터셋에서 정밀도 100%에서 재현율이 75% 향상되었다.
• 완전 연결층(fully connected layers, 특히 fc6 및 fc7)에서 유도된 특징가 인식 성능에 가장 크게 기여하였다.
• 공간적 및 순차적 필터링의 조합은 특히 시야각 변화가 심한 조건에서 특징의 강건성을 향상시켰다.
• 더 큰 시야각 변화가 있는 두 번째 데이터셋에서도 높은 일반화 성능를 보이며 강건성을 확인하였다.
• 종합적 분석을 통해 CNN의 더 깊은 레이어에서 더 분류 능력이 뛰어난 특징를 제공하는 것으로 확인되었다.
• 모든 기존 기술을 압도하며 두 벤치마크 데이터셋에서 모두 새로운 최고 성능를 확립하였다.