[논문 리뷰] Progressive NAPSAC: sampling from gradually growing neighborhoods

Dániel Baráth, Maksym Ivashechkin외 1명|arXiv (Cornell University)|2019. 06. 05.

Robotics and Sensor-Based Localization참고 문헌 24인용 수 7

한 줄 요약

Progressive NAPSAC (P-NAPSAC)은 초기 점 주변의 점점 확장되는 이웃 영역에서 샘플링하여 컴퓨터 시각에서 강력한 추정을 가속화한다. 국소적 효율성과 전역적 강력성을 결합한다. USAC*에 통합되었을 때, PROSAC보다 반복 횟수를 34% 감소시키며, 10,691개의 호모그래피 및 기본 행렬 모델에서 더 빠른 수렴 속도와 낮은 실패율을 달성한다.

ABSTRACT

We propose Progressive NAPSAC, P-NAPSAC in short, which merges the advantages of local and global sampling by drawing samples from gradually growing neighborhoods. Exploiting the fact that nearby points are more likely to originate from the same geometric model, P-NAPSAC finds local structures earlier than global samplers. We show that the progressive spatial sampling in P-NAPSAC can be integrated with PROSAC sampling, which is applied to the first, location-defining, point. P-NAPSAC is embedded in USAC, a state-of-the-art robust estimation pipeline, which we further improve by implementing its local optimization as in Graph-Cut RANSAC. We call the resulting estimator USAC*. The method is tested on homography and fundamental matrix fitting on a total of 10,691 models from seven publicly available datasets. USAC* with P-NAPSAC outperforms reference methods in terms of speed on all problems.

연구 동기 및 목표

• 공간적으로 일관된 이웃점을 탐지하는 데에 비효율적인 전역 RANSAC 샘플러 문제를 국소적 점 간 거리 유사성의 특성을 활용하여 해결하기 위해.
• 순수하게 국소적인 샘플러인 NAPSAC의 한계를 극복하기 위해, 최소 샘플링 시에 악화된 조건과 탈진된 해를 야기하는 문제를 해결하기 위해.
• 진행적 이웃 샘플링 전략을 PROSAC의 순위 매기기 전략과 GC-RANSAC의 국소 최적화 기법을 통합하여 더 나은 강력한 추정 성능을 향상시키기 위해.
• 데이터의 구조에 따라 동적으로 적응하는 샘플링 전략을 개발하여, 전역 정확도를 희생시키지 않은 채로 국소 모델을 조기에 탐지할 수 있도록 하기 위해.
• 기본 행렬 및 호모그래피 추정을 위한 USAC 파ipeline의 속도와 신뢰성을 크게 향상시키기 위해.

제안 방법

• P-NAPSAC는 첫 번째 점을 중심으로 점점 커지는 초구형 영역에서 샘플링을 수행하며, 초기에는 작은 반지름으로 시작하여 점점 증가시켜 국소적 및 전역적 샘플링의 균형을 이룹니다.
• 샘플링 반지름은 데이터 구조에 따라 조정되어 조기에 국소 이웃점 군집을 탐지할 수 있도록 하며, 너무 국소화된 샘플링으로 인한 탈진된 해를 방지합니다.
• P-NAPSAC는 PROSAC와 통합되어 PROSAC의 점 순위 매기기 전략을 사용해 초기 점을 선택하고, 이후 점진적인 이웃 샘플링 전략을 적용해 조기에 수렴을 향상시킵니다.
• 이 방법은 USAC*에 통합되어, 그래프 컷 RANSAC의 공간 일관성 인식 최적화 기법을 활용해 국소 최적화를 향상시켜 모델 품질을 개선합니다.
• 유연한 종료 기준이 도입되었으며, γ로 파arameter화되어 있어 반복 횟수를 줄임으로써 속도와 정확도 사이의 트레이드오���을 가능하게 합니다.
• 기본 행렬 추정에 대해 7점 및 8점 해법을, 호모그래피 추정에 대해 4점 해법을 사용하며, 이웃점 집합은 정규화된 최소 제곱법으로 정제됩니다.

실험 결과

연구 질문

• RQ1 진행적 이웃 샘플링 전략은 PROSAC과 같은 전역 샘플러보다 조기에 국소 이웃점 군집을 탐지할 수 있는가?
• RQ2 국소 및 전역 샘플링 전략을 융합함으로써 강력한 추정에서 수렴에 필요한 반복 횟수를 줄일 수 있는가?
• RQ3 P-NAPSAC은 성능을 유지하거나 향상시키면서도 최신 기술 수준의 샘플러보다 빠른 속도를 달성할 수 있는가?
• RQ4 유연한 종료 기준(γ)은 처리 시간과 추정 품질 사이의 트레이드오프에 어떤 영향을 미치는가?
• RQ5 P-NAPSAC을 GC-RANSAC 및 PROSAC와 통합함으로써 USAC 파이프라인의 전체 성능 향상 정도는 어느 정도인가?

주요 결과

• 모든 데이터셋에서 P-NAPSAC는 테스트된 모든 샘플러 중에서 가장 이른 종료를 달성했으며, PROSAC 대비 반복 횟수를 34% 감소시켰다.
• 평균적으로 P-NAPSAC는 PROSAC(두 번째로 빠른 샘플러)보다 0.66배 적은 반복 횟수를 요구하여 USAC* 파이프라인의 가속화를 크게 이끌었다.
• P-NAPSAC는 다른 방법보다 실패율이 0.1%p 낮았으며, 이웃점 비율과 기하학적 오차는 기준 방법과 비교해 유사하거나 더 우수했다.
• γ = 0.1인 유연한 종료 기준은 처리 시간을 70% 감소시켰음(1.0에서 0.3으로), 오차와 실패율은 약간 증가(약 0.8에서 1.0로)하는 데 그쳤다.
• 기본 행렬 추정에서 P-NAPSAC는 균일 샘플링과 PROSAC와 동일한 기하학적 오차를 달성했지만 처리 시간은 절반으로 줄였다.
• 7개의 공개 데이터셋에서 10,691개의 모델을 대상으로, USAC*에 P-NAPSAC를 통합한 결과, 모든 문제 유형에서 기준 방법보다 빠른 속도를 보이며 일관된 가속화를 입증했다.