선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 고에서는 여러 시점에서 관찰된 물체를 분할하고, 그것의 평면상 자세를 정교하게 추론하는 과정에서 적합한 3D 모델 또한 검색 가능한 시스템을 제안하였다. 나아가 기존의 경계 기반, 영역 기반 알고리즘들을 통합하고, 다시점 정보를 활용하는 접근으로 3 자유도를 갖는 2D-3D 물체 자세를 추정하였다.
- 본 논문에서는 물체의 정밀한 자세 추정을 위해 물체의 분명한 경계를 중요하게 고려한다. 구체적으로는, 객체화 된 마스크의 주변 영역의 정보를 단순한 경계 추출기를 통해 이진화 하고, 투영 영역의 외곽선과의 교집합을 이루는 픽셀들을 세는 방식으로 SB를 구현하였다.
- 본 논문에서는 반복적인 최적화[22-24]를 통해 갱신되는 영역의 크기가 일정 수준 아래로 안정되면 수렴하는 것으로 보았다. 즉, 분할 영역 변화가 크지 않거나, 공유하는 3D 모델이 더 이상 갱신되지 않을 때를 종료 조건으로 본다.
가설 설정
- 본 논문에서는 이와 같은 한계를 극복하고자, 주어지는 물체는 다시점으로 관찰될 수 있음을 가정하였다. 다시점 객체 공분할(co-segmentation, 共分割)이란 두 개 이상의 시점에서 관찰되는 임의의 전경 물체를 기하학적 제한 조건을 사용하여 동시에 분할하는 것을 말한다[11-17].
- 각 종류 별로 세부 속성이 다른 4개의 개체가 있어, 데이터셋은 총 40개의 부품을 관찰하는 이미지로 구성된다. 산업용으로 만들어지는 각 부품 정보는 완전하게 주어진다고 가정하였고, 각 모델의 convex hull의 모든 candidate bases의 안정성[27]을 이용하여 평가하였다. 모델 별로 가능한 up-vector가 다수 개 존재하는 경우는 이를 이용하여 최대 4개 이하로 제한한다.
- 이 문제에서, 전경 마스크 F가 각 시점 v 별로 추론되었으며, 칼라 영상 I 또한 각 카메라 시점 마다 Φv의 내, 외부 파라메터가 보정 되었음 가정한다.
- 단일 시점만을 사용하는 영역 기반 접근에서는 정확한 3D 모델을 초기 단계부터 가정하고, 동시에 분할과 자세 추정을 최적화하여 오차율을 줄이게 된다. 하지만 본 연구의 경우는 모델의 종류가 다양하고, 또 같은 종류의 부품에서도 구체적인 속성이 다르기에 공분할 단계에서는 이러한 가정을 두지 않았다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.