[논문 리뷰] Progressive-X+: Clustering in the Consensus Space.

Dániel Baráth, Denys Rozumnyi외 3명|arXiv (Cornell University)|2021. 03. 25.

Data Management and Algorithms참고 문헌 62인용 수 4

한 줄 요약

Progressive-X+는 공의 공간에서 RANSAC 유사 샘플링과 클러스터링을 통해 점점 더 뚜렷한 모델 인스턴스를 식별함으로써 모델 수가 알려지지 않은 기하 모델(예: 동차 변환)을 실시간으로 반복적으로 탐지하는 알고리즘이다. 품질 기반 통합 프로세스와 공간적으로 일관된 샘플러를 사용함으로써 최신 기술 수준의 정확도를 달성하며, 데이터의 근접성 연결성을 활용하여 다중 기하 모델 비전 작업에서 뛰어난 성능을 발휘한다.

ABSTRACT

We propose Progressive-X+, a new algorithm for finding an unknown number of geometric models, e.g., homographies. The problem is formalized as finding dominant model instances progressively without forming crisp point-to-model assignments. Dominant instances are found via RANSAC-like sampling and a consolidation process driven by a model quality function considering previously proposed instances. New ones are found by clustering in the consensus space. This new formulation leads to a simple iterative algorithm with state-of-the-art accuracy while running in real-time on a number of vision problems. Also, we propose a sampler reflecting the fact that real-world data tend to form spatially coherent structures. The sampler returns connected components in a progressively growing neighborhood-graph. We present a number of applications where the use of multiple geometric models improves accuracy. These include using multiple homographies to estimate relative poses for global SfM; pose estimation from generalized homographies; and trajectory estimation of fast-moving objects.

연구 동기 및 목표

• 기하 모델의 수가 알려지지 않은 상황에서 컴퓨터 비전 작업에서 모델 수에 대한 사전 지식 없이 다수의 기하 모델을 탐지하는 문제를 해결하기 위해.
• 자세 추정 및 궤적 추적과 같은 다중 모델 추정 작업에서 정확도와 효율성을 향상시키기 위해.
• 실세계 데이터의 공간적 일관성을 반영하는 샘플링 전략을 개발하여 모델 탐지의 신뢰도를 향상시키기 위해.
• 다수의 기하 구조를 포함하는 복잡한 비전 문제를 실시간으로 처리할 수 있도록 하기 위해.
• 글로벌 SfM, 일반화된 동차 변환 추정, 빠르게 움직이는 물체 추적과 같은 다양한 응용 분야에 적용 가능한 통합 프레임워크를 제공하기 위해.

제안 방법

• Progressive-X+는 공의 공간에서 RANSAC 유사 샘플링을 사용하여 반복적으로 후보 모델을 제안한다.
• 모델 품질 함수는 이전에 탐지된 인스턴스를 평가하고 통합함으로써 새로운 주요 모델의 발견을 안내한다.
• 새로운 모델 인스턴스는 점-모델 할당을 명시적으로 요구하지 않는 공의 공간 내 클러스터링을 통해 식별된다.
• 새로운 공간적으로 일관된 샘플러는 성장하는 이웃 그래프에서 연결된 구성 요소를 생성하여 실세계 데이터의 구조를 반영한다.
• 알고리즘은 반복적으로 작동하여 모델 수를 입력으로 요구하지 않고 점차적으로 모델 탐지 정확도를 향상시킨다.
• 이 방법은 경량화되고 효율적이므로 다양한 비전 응용 분야에서 실시간 성능을 달성하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 모델 수가 알려지지 않은 상황에서 기하 모델 탐지가 어떻게 효율적이고 정확하게 수행될 수 있는가?
• RQ2 실세계 데이터의 공간적 일관성을 활용하여 다중 모델 추정에서 샘플링의 정확도를 향상시킬 수 있는가?
• RQ3 공의 공간 내 클러스터링이 기존의 점-모델 할당 방식에 비해 다중 모델 피팅에서 얼마나 뛰어난 성능을 보이는가?
• RQ4 모델 수를 사전에 알지 못해도 품질 기반 통합 프로세스가 주요 모델 탐지에 어떻게 기여할 수 있는가?
• RQ5 Progressive-X+는 다수의 기하 모델을 포함하는 복잡한 비전 작업에서 실시간으로 어떻게 성능을 발휘하는가?

주요 결과

• Progressive-X+는 벤치마크 평가에서 기존 방법들을 능가하는 최신 기술 수준의 정확도를 확보하여 다중 기하 모델 피팅 작업에서 뛰어난 성능을 발휘한다.
• 알고리즘은 실시간으로 실행되어 온라인 및 인터랙티브 비전 응용 분야에 적합하다.
• 공간적으로 일관된 샘플러는 데이터 내 연결된 구조적이고 타당한 패턴을 선호함으로써 모델 탐지 성능을 향상시켜 정확도를 높인다.
• 공의 공간 내 클러스터링은 명시적인 점-모델 할당 없이도 효과적으로 새로운 모델을 탐지할 수 있도록 한다.
• 다중 동차 변환을 모델링함으로써 글로벌 SfM에서 상대 자세 추정 성능을 향상시켰다.
• 다중 운동 구조를 모델링함으로써 빠르게 움직이는 물체의 정확한 궤적 추정을 가능하게 하였다.