가설 선택의 미분 문제
RANSAC의 가설 선택은 일반적으로 미분할 수 없어 신경망의 전체 학습에 연결하기 어렵다. DSAC 연구는 이 제약을 다루는 두 접근을 제시했다.
확률적인 가설 선택
유망한 접근은 강화 학습에서 착안해 결정적인 선택을 확률적인 선택으로 바꾸는 것이다. 학습 가능한 매개변수에 대해 기대 손실을 구할 수 있도록 구성한다.
출력 자세를 학습 목표로
카메라 위치 추정에 DSAC를 적용해 강건하게 추정한 자세의 기대 손실을 직접 최소화한다. 중간 대응의 오차만 보는 대신 최종 기하 출력의 품질을 학습과 연결한다.
강건한 최적화 구성 요소
논문은 카메라 위치 추정에서 정확도 개선을 평가했다. DSAC는 위치를 직접 회귀하는 신경망 자체라기보다 강건한 가설 추정을 학습 가능한 절차에 넣는 구성 요소다.
관련 문서
RANSAC / PoseNet 카메라 위치 추정 / MapNet 카메라 위치 추정 / 기하 정합 / 강화 학습 / 신경망