지난 4월 시작된 네이버랩스 매핑 & 로컬라이제이션 챌린지가 KCCV 2020 데모 세션 발표를 끝으로 종료되었습니다. 이번 챌린지는 약 4개월간 실내외 트랙 총 187팀의 열띤 관심과 참여 속에 진행되었으며, 최종 제출된 연구 결과 심사를 거쳐 트랙별 TOP 3 팀이 선정되었습니다. 수상한 6팀의 연구 결과를 공유합니다!
수상팀 연구 결과 공유
실내 TOP 1. 이상민·이중구(KAIST Interactive Robotic Systems Lab)
Indoor Localization은 Retrieved된 두 이미지의 정확한 Feature Matching도 중요하지만, 무엇보다 PnP Solve를 위한 3D Point Cloud 맵의 정확도가 매우 중요하다. PHAROS Localization팀은 2D Feature 정확도를 확보한 후, 제공된 noised and sparse map이 아닌, 새로운 denoised and dense Map을 만들었다. Raw LiDAR Data의 경우 다양한 노이즈를 포함하고, 또한 개인정보가 제거된 데이터로 인하여 기존 noise detection and extraction 알고리즘을 사용할 수 없으므로, 이를 새로운 방법으로 제거하여 높은 품질과 양질의 데이터를 가지는 Map을 생성하였다. 이를 통해 기존보다 매우 높은 정확도를 확보할 수 있었다. 자세히보기 >
실내 TOP 2. 정현영(서울대학교 Computing and Memory Architecture Lab)
정확한 localization을 하기 위해서는 테스트 이미지와 유사한 이미지들을 데이터베이스에서 정확하게 검색하는 것이 중요하다. 이 연구에서는 이미지 검색 과정에서의 오류를 보완하기 위해 테스트 이미지와 검색된 이미지 간의 기하학적 관계를 이용한 검증을 거쳐 잘못 색출된 이미지들을 제거하는 과정을 통해 성능을 올렸다. 자세히보기 >
실내 TOP 3. 조원·한대찬(세종대학교 Robotic and Computer Vision Lab)
NetVLAD와 GEM을 Ensemble하고 PnP Reranking하여 Retrieval의 성능을 올렸으며, 이를 기반으로 좀 더 정확한 Localization 성능을 나타냈다. 자세히보기 >
실외 TOP 1. 김태원(충남대학교 메카트로닉스공학과 영상시스템연구실)
제안된 방법은 Image retrieval과 keypoint matching, solve PNP를 사용한 일반적인 visual localization method를 수행하고 그 결과를 stereo vision 기반 SLAM 알고리즘인 Stereo DSO를 통해 복원한 test set의 point cloud를 이용해 검증한다. 검증 과정에서 visual localization이 실패했다고 판단 될 경우 global lidar map과 stereo DSO로 구한 test set의 point cloud 사이의 위치 관계를 6자유도 ICP를 통해 구한다. 이때, height map을 이용한 template matching을 통해 구한 3자유도 포즈 ICP의 초기값으로 사용한다. 따라서 제안된 방법은 사진끼리의 매칭이 불가능한 경우에도 위치를 찾을 수 있다. 자세히보기 >
실외 TOP 2. 정현영(서울대학교 Computing and Memory Architecture Lab)
도로 환경에서 찍은 사진의 경우 자동차나 보행자 등 정확한 localization을 방해하는 물체들이 많이 등장한다. 이 연구에서는 미리 학습된 semantic segmentation을 이용하여 localization을 수행하는 데 있어 방해가 되는 물체들을 제거함으로써 성능을 올렸다. 자세히보기 >
실외 TOP 3. 김지원·김태주·황유진(세종대학교 Robotic and Computer Vision Lab)
2020 CVPR에서 발표된 Super Glue를 포함해 최신 기술들을 적용하였다. 특징으로는 KDTree 기반 2D-3D matching 알고리즘으로 정밀한 Pose Estimation을 수행하였다. 자세히보기 >
네이버랩스 매핑 & 로컬라이제이션 수상팀