중요도 검출

• LiDAR 데이터 중요도 검출

LiDAR 장비의 발전에 따라 대용량 3차원 포인트 군은 다양한 용도로 활용된다. 이 연구에서는 실세계 장면을 LiDAR 장비로 촬영한 대용량 3차원 포인트 군에 대한 중요도 검출 기법을 개발하였다. 먼저 입력 포인트 클라우드를 복셀화하고 복셀을 슈퍼복셀 클러스터링 기법을 이용헤 클러스터를 생성한다. 유사한 특징을 갖는 클러스터들을 통합하여 클러스터를 계층화한다. 각 클러스터의 중요도는 center-surround contrast 원리를 이용하여 색상 정보와 기하학적 특징을 이용하여 계산한다. 클러스터의 계층별 중요도의 평균을 이용하여 최종 중요도 분포를 계산한다. 실험 결과에서는 제안 기법이 대용량 3차원 포인트 군의 전역적 및 지역적 중요도를 잘 검출하는 것을 볼 수 있다.

• 비디오 중요도 검출

동영상의 경우 공간 정보(색 등) 및 시간 정보(움직임 등)가 존재하여 이를 이용하여 동영상에서의 중요도를 검출할 수 있다. 그러나 동영상의 종류에 따라 공간 및 시간 정보간 비중이 다르기에 이러한 비중을 고려한 중요도 검출이 필요하다. 이를 위해, 우리는 밀집 가정을 사용하였다. 먼저 공간 정보 및 시간 정보의 밀집도를 연산하여 통합된 시공간 정보로 만든다. 이후 지역적 전경/배경을 추정하여 동영상 중요도 검출을 수행한다. 실험 결과 제안 기법이 잘 동작함을 알 수 있다

• 사진 중요도 검출

사람 시각의 움직임을 그래프에서의 랜덤워크로 모델링하여 다중 스케일 중요도 검출을 제안한다. 제안 기법은 우선 밝기, 색, 그리고 밀집도 특징을 추출한다. 이후 이미지 블록들을 노드로 설정하고 두 노드간 밝기와 색이 다를수록, 랜덤워크 도착 노드의 밀집도가 높을수록 큰 가중치를 가진 엣지로 설정한다. 이후 마르코브 체인의 안정화된 분포를 중요도 맵으로 가정한다. 이러한 중요도 검출 기법은 이미지 블록의 스케일에 따라 성능이 다르므로, 다중 스케일에서의 중요도 검출을 제안한다. 구체적으로 coarse한 스케일의 이미지 블록에서 연산한 안정화 분포를 세밀한 스케일의 이미지 블록의 재시작 분포로 설정한다. 실험적으로, 제안 기법이 잘 동작함을 보였다.

• 3차원 메쉬 중요도 검출

본 연구에서는 3차원 메쉬 모델에 대해 통합된 시점 독립 및 시점 의존 중요도 검출 알고리즘을 제안한다. 기존 3차원 메쉬 중요도 검출 기법들은 균일하지 못한 형태의 메쉬를 사용했다. 하지만 제안 기법에서는 중요도 검출에 방해되는 기존 메쉬의 불규칙한 연결성을 극복하기 위해 준균일 메쉬를 사용한다. 먼저 준균일 메쉬에서 각 삼각형 별로 해당 삼각형의 법선벡터와 인접 삼각형들의 법선 벡터의 각도차를 기반으로 곡률로 계산한다. 이후 단계별 준균일 메쉬들을 형성하는 삼각형들이 그래프 노드의 역할을 하는 완전 그래프를 생성한다. 첫 단계에서는 랜덤워크의 정상 상태(steady-state) 분포로 중요도를 추정하고, 이후 단계의 중요도는 현재 단계에서 랜덤워크의 정상 상태 분포에서 얻은 중요도와 이전 단계의 중요도를 업샘플링 하여 얻은 중요도 사이의 최대 값을 취한다. 또한, 우리는 선택한 시점에 대한 중요도 추정하기 위해 기하학적 특징 외에 가시성이라는 특징을 사용하여 시점에 따라 바뀌는 중요도 감지 방법을 제안한다. 실험 결과는 제안한 중요도 검출 알고리즘이 기존의 기법에 비해 시각적으로 메쉬의 중요한 영역을 전반적으로 잘 검출할 뿐만 아니라 세부적인 기하학적 특징들 또한 잘 검출하는 것을 보여준다.

• Publications