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
- 사람들이 연속된 사진을 카메라로 촬영하면 알고리즘(Algorithm)이 자동으로 파노라마 사진으로 변환해준다. 어떻게 여러 장의 사진을 이용해 파노라마 사진을 만들 수 있을지 생각해보자. 컴퓨터가 아니라 우리가 직접 파노라마 사진을 만드는 과정을 생각해보면 쉽게 답을 찾을 수 있다.
- 영상정합은 파노라마 사진 이외에도 템플릿 정합, 3차원 모델과의 정합, 물체 추적 등에도 널리 이용되고 있다(<그림 2>). 앞으로 우리는 두 영상사이에 대응점을 찾는 방법과 최근 연구 동향에 대해 살펴볼 것이다.
- 기존의 정합()과 달리 시멘틱 정합()은 같은 물체 범주(Category)에 속해 있지만 서로 다른 물체에 대한 밀집 정합점을 찾는데 그 목적이 있다.
- 시멘틱 정합을 이용하면 어떤 것들이 가능한지 살펴보자. 시멘틱 정합을 통해 물체 부분 혹은 물체 전체에 대한 정합을 구할 수 있으며, 나아가 물체간의 연관성을 분석할 수 있다.
- 스테레오 정합은 스테레오 카메라로 획득된 두 영상간의 정합점을 찾는 과정으로 이를 이용하면 깊이 정보를 획득 할 수 있다(<그림 3>). 본 기고에서는 밀집 정합, 나가아 밀집시멘틱 정합 (Semantic correspondence)의 최근 연구동향에 대해 알아보고자 한다.
- 시멘틱 정합의 연구 동향을 알아보기에 앞어 먼저 의미론적 정합, 혹은 시멘틱 정합의 정의에 대해 살펴보자. <그림 4>는 시멘틱 정합에서 궁극적으로 해결하고자하는 문제를 보여주고 있다.
- 시멘틱 정합을 통해 물체 부분 혹은 물체 전체에 대한 정합을 구할 수 있으며, 나아가 물체간의 연관성을 분석할 수 있다. 그렇다면 물체간의 연관성이 의미하는 바는 무엇이며 이를 이용하면 무엇을 할 수 있을까? 사람이 어떤 작업을 할 때 물체 사이에 존재하는 연관성을 이용하는지 생각해보자. 인터넷 공간상에는 수많은 영상들이 존재한다.
가설 설정
- 이를 이용하면영상 전체에서 SIFT 표현자에서 제공하는 크기 정보를 이용해 정합을 수행할 수 있었다. M. Tau는 컬러 정보가 비슷하면 크기 정보가 비슷할 것이라는 가정을 이용하여 지역적인 방법(Local propagation)을 이용해 크기 정보를 전파했다.
- 단순히 전경 배경을 분리하는 것이 아니라 여러 영상 내에 공통적으로 존재하는 전경을 분리함으로써 신뢰도를 높였다. T. Taniai는 이를 제귀적인 방법으로 풀어냈는데, 전경/배경 분리는 시멘틱 정합에도움을 주고, 반대로 시멘틱 정합이 전경/배경 분리에 도움을 준다는 가정을 이용했다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.