시간에 따라 달라지는 외관
같은 장소도 날씨와 조명에 따라 달라 보이고 반복 구조는 서로 다른 장소를 혼동하게 한다. MixVPR은 이러한 조건에서 쓸 전역 영상 표현을 구성한다.
특징 지도를 전체로 보기
사전 학습 백본이 만든 특징 지도를 전역 특징의 집합으로 받아들인다. 각 특징 지도 내부의 요소 사이 관계를 연속된 특징 혼합 단계에 반영한다.
집계 방식의 차이
국소 영역을 별도로 집계하거나 피라미드를 만드는 방식과 다른 전체적 집계 구조다. 논문은 NetVLAD와 CosPlace, 두 단계 검색 방법 등과 계산 및 성능을 비교했다.
여러 장소 자료의 평가
Pitts250k와 MapillarySLS, Nordland 등을 포함한 큰 규모의 장소 인식 평가를 수행했다. 서로 다른 자료의 결과를 통해 장소 변화와 반복 구조에 대한 표현의 특성을 살폈다.
관련 문서
NetVLAD / CosPlace / Patch-NetVLAD / EigenPlaces / 영상 검색 / 합성곱 신경망