The pairwise similarity matrix S
D. 쌍별 유사성 행렬 S
쌍별 기술자 유사성 행렬 S는 VPR(시각 위치 인식)의 핵심 구성 요소입니다. 그림 1의 3단계에서 보여지듯이, S는 데이터베이스와 쿼리 집합의 이미지 기술자 간에 계산된 모든 유사성 sij를 포함합니다. 단일 세션 VPR에서 S는 |Q|×|Q|의 차원을 가지며, 다중 세션 VPR에서는 |DB| × |Q|의 차원을 가집니다. 사용된 접근 방식에 따라, S는 모든 기술자가 비교될 경우 밀집(dense)할 수도 있고, 근사 최근접 이웃 탐색[42] 또는 시퀀스 기반 비교 전략[43]을 사용하여 일부 기술자만 비교될 경우 희소(sparse)할 수 있습니다. Q와 DB의 취득 중 카메라 궤적에 의해 S의 전체적인 모습이 영향을 받으며, 이는 그림 3에서 설명한 바와 같습니다. S 내부의 높은 유사성 패턴은 VPR 파이프라인의 성능에 중요한 영향을 미칠 수 있으며, 성능 향상을 위한 특정 알고리즘 단계의 사용을 가능하게 하거나 방해할 수 있습니다. 카메라 궤적과 S의 모습 사이에 관찰할 수 있는 다음과 같은 관계가 있습니다(해당 예는 맵에서의 그림 3을 참조하십시오):
a) 일반: DB와 Q에 있는 이미지들이 특정 순서 없이 임의의 위치에서 기록될 경우, S에서 구별 가능한 패턴이 없습니다. 이는 일반적인 시각적 위치 인식과 글로벌 지오-로컬라이제이션에 대해 전형적입니다.
b) 시퀀스: DB와 Q에 있는 이미지들이 시공간 시퀀스(즉, 연속적인 이미지들도 세계에서 이웃이 됨)로 기록될 경우, S에서 연속적인 높은 유사성의 선이 관찰될 수 있습니다. 이 설정은 온라인 SLAM, 매핑, 다중 로봇/다중 세션 매핑(섹션 III)을 포함한 많은 로봇 작업에 전형적입니다. 이 설정에서는 성능 향상을 위해 시퀀스 기반 방법을 사용할 수 있습니다(섹션 VI 참조).
카메라의 궤적은 다음과 같은 방법으로 S에 영향을 줄 수 있습니다:
i) 속도: 카메라가 DB와 Q에서 동일한 위치에서 동일한 속도로 이동하면, 45도 경사의 높은 유사성의 선이 관찰될 것입니다. 그렇지 않을 경우, 경사는 다를 것입니다.
ii) 탐험: 쿼리 이미지 Q에 나타난 장소가 DB에 없는 경우, 높은 유사성의 선은 불연속적일 것입니다.
iii) 정지: 카메라가 데이터베이스 실행 중이거나 쿼리 실행 중에 일시적으로 정지(속도가 0)하면, 다른 세트에서 여러 연속적인 매치가 발생할 것입니다.
• DB에서 정지: 데이터베이스 실행 중 정지는 S에서 높은 유사성의 수직선(동일한 열 내)을 결과로 낼 것입니다.
• Q에서 정지: 쿼리 실행 중 정지는 S에서 높은 유사성의 수평선(동일한 행 내)을 결과로 낼 것입니다.
• DB & Q에서 정지: 카메라가 데이터베이스 실행과 쿼리 실행 모두에서 동일한 장소에서 정지하면, S에서 높은 유사성의 블록이 관찰될 것입니다.
iv) DB 내 루프: DB 내 루프는 Q의 단일 쿼리 이미지에 대해 여러 개의 매칭 데이터베이스 이미지를 결과로 낼 수 있습니다. 정지와는 달리, 루프로 인한 여러 매칭 이미지들은 그들의 이미지 세트에서 연속적이지 않습니다.
v) DB & Q 내 루프: DB와 Q 내 루프는 단일 데이터베이스 이미지에 대해 추가적인 매칭 쿼리 이미지를 결과로 낼 수 있습니다. 이는 S에서 높은 유사성의 더 복잡한 구조를 결과로 낼 것입니다.
