대학원생 3학기 7주차 후기

5/11, 모든 중간고사가 끝났다.

고작 2과목인데 왜이렇게 힘든거지.

일이 너무 너무 너무 많은 게 문제겠지. 쩝.

그래도 하나의 프로젝트는 이번 주에 끝이 났다. 다만 새로운 프로젝트가 시작될 뿐이다. (...)

 

1. 컴퓨터 비전

 

과제 2가 주어졌다. 5/9까지였는데, 이는 최적화 시험 전날 까지다.

연휴에 집에서 과제를 하는데 이틀이 걸렸다.

레포트 쓰는게 생각보다 시간을 오래 잡아 먹는다. 교수님 경고대로...ㅋㅋㅋ

 

1) 온라인 수업

5주차에 Detection, 6주차에 Description을 했고, 이번 7주차가 Matching이다.

그래서 Feature Matching & Homography가 주제였다.

RANSAC에 대해 배웠는데, 성능은 좋지만, 파라미터가 많다.

그외 brute-force 및 FLANN 방법도 있다.

그리고 Homography를 배웠는데, SIFT feature 및 RANSAC으로 Image Stitching해서 Image Alignment을 할 수 있다.

 

2) 실시간 수업

<Deep Image Homography Estimation>

- 전통적인 Homography Estimation 방식이 다양하게 존재함

- 본 논문에서는 딥러닝 모델 기반의 end-to-end Homography Estimation을 제시함

- Image Homography Estimation 분야에 새로운 패러다임 제시

 

<LoFTR: Detector-Free Local Feature Matching with Transformers>

- 기존의 detection, descriptor, matching의 방식은 특징이 적은 texture에서 성능 저하를 보임

- 본 논문에서는 Detector-free 접근 방식 제안함

- 이미지 전체에서 dense feature 추출 후 transformer 기반 self/cross attention을 통해 매칭을 수행함

- Coarse-to-fine 방식 채택해 저해상도에서 대략적 매칭 후 고해상도에서 정밀한 매칭 진행함으로써 계산 효율성 확보

 

<Adaptive Assignment for Geometry Aware Local Feature Matching>

- 기존의 1:1 matching 방식의 feature matching은 시점, 스케일 변화에 오류 발생함 

- 본 논문에서는 Adaptive Assignment 기반의 AdaMatcher 제안함

- 두 이미지에서 공통으로 보이는(co-visible) 영역을 찾음

- Adaptive Assignment로 유사도 기반으로 soft 매칭 수행함

- n:1, 1:n matching도 가능하며, 기존 모델에 plug-in 가능하나, 연산량이 많음

 

2. 최적화

 

...중간고사 예상 문제집을 받았다. 풀이는 알아서~!

(5/11, 분명히 비슷하게 나왔는데 겁나 어렵다 ㅁㄴㅇㄹ 6시간 시험 봐도 모자름 ㅎ)

 

simplex tableau 에 이어 BigM method를 배우게 된다.

처음에 infeasible에서 출발해서 matrix row operation을 통해

feasible로 도달하기만 하면, 그 이후부터는 결국 simplex tableau랑 풀이가 똑같다.

다만 M이 변수가 추가되었을 뿐이다.

어떤 대단한 머리를 가진 사람들인지, cycling이 되는 matrix 문제도 마주했다.

그리고 sensitivity라고 민감도 분석을 하게 된다. LINDO에서 왜 저게 맨날 뜨나 했는데..ㅋㅋㅋㅋ