고정 헤더 영역
상세 컨텐츠
본문
ISMAR 2004
EPFL
CVPR, PAMI, 그리고 ISMAR 2004
3. Considering multiple hypotheses when tracking edges
결국 MH를 위해 min을 사용한 것. Fraunhofer 애들은 이 아이디어를 기반으로 한 것임.
mixture of Gaussian보다 min을 쓰는 것이 좋다고 주장.
MoG는 두 개 이상의 peaks가 합쳐져서 정확성이 떨어질 수 있고, 이럴 경우 하나의 peak보다 더 weight가 커지므로 더 선택받을 확률이 높아져서 역시 잘못된 hypothesis가 선택되는 단점이 있다.
참고로 Fraunhofer에서 사용한 MoG는 visual state update를 위한 것.
비록 edge point tracking 레벨에서 MH가 가능하다고 해도, contron points가 아예 occlusion된 상황에서는 robust M-estimator에 의존할 수 밖에 없는데, M-estimator란 것이 에러의 영향을 줄일 순 있어도 RANSAC처럼 아예 배제할 순 없다. → 에러 크기 + 군집 상태 등을 이용해서 explicit occlusion reasoning을 해야 함.
4. Integration (with texture tracking)
MH edge tracking은 3장에서 설명했고,
texture tracking은,
Harris interest points를 t-1 프레임에서 추출한 후, t 프레임에서 match (구체적 언급은 없지만 PyramidLK일 듯).
이 matches를 가지고 transfer function (결국 homography)을 최적화함.
H - P의 상호 변환(?) 방법은 소개되지 않음.
EPFL
CVPR, PAMI, 그리고 ISMAR 2004
3. Considering multiple hypotheses when tracking edges
결국 MH를 위해 min을 사용한 것. Fraunhofer 애들은 이 아이디어를 기반으로 한 것임.
mixture of Gaussian보다 min을 쓰는 것이 좋다고 주장.
MoG는 두 개 이상의 peaks가 합쳐져서 정확성이 떨어질 수 있고, 이럴 경우 하나의 peak보다 더 weight가 커지므로 더 선택받을 확률이 높아져서 역시 잘못된 hypothesis가 선택되는 단점이 있다.
참고로 Fraunhofer에서 사용한 MoG는 visual state update를 위한 것.
비록 edge point tracking 레벨에서 MH가 가능하다고 해도, contron points가 아예 occlusion된 상황에서는 robust M-estimator에 의존할 수 밖에 없는데, M-estimator란 것이 에러의 영향을 줄일 순 있어도 RANSAC처럼 아예 배제할 순 없다. → 에러 크기 + 군집 상태 등을 이용해서 explicit occlusion reasoning을 해야 함.
4. Integration (with texture tracking)
MH edge tracking은 3장에서 설명했고,
texture tracking은,
Harris interest points를 t-1 프레임에서 추출한 후, t 프레임에서 match (구체적 언급은 없지만 PyramidLK일 듯).
이 matches를 가지고 transfer function (결국 homography)을 최적화함.
H - P의 상호 변환(?) 방법은 소개되지 않음.
