Feature -2

어떤 키포인트에 매칭이 되어야 하는지가 명확해야 된다 라는 거죠 그래서 명확해야 된다는 것을 디스틱티블네스, 디스틱티블네스한 특징을 가져야 된다 라는 것을 얘기를 하는 거였고요 그 다음에 이제 제가 키포인트를 뽑기는 하는데 너무 많이 뽑게 되면은 얘네들 사이에서 매칭하는 데 시간이 굉장히 오래 걸리기 때문에 적당한 수의 키포인터를 뽑아야 된다는게 Compact-Niss 또는 Efficient이라고 얘기를 할 수가 있었습니다

이 세 가지 외에도 두 가지 정도 Locality랑 Quantity의 측면도 추가적으로 들어가서 총 5개의 좋은 키포인터를 만드는 성질 5개 이렇게 정리를 해주시면 되겠습니다 그래서 Locality는 Local Feature를 뽑아야 된다는 얘기니까 너무 당연한 거고요 Quantity 같은 경우에는 우리가 키포인터를 너무 적게 뽑으면 안되겠죠 그러니까 Local Feature를 뽑을 건데 우리가 사람의 얼굴을 구분할 때 눈, 코, 입, 귀가 있을 수도 있고

머리 스타일 있을 수도 있고 이렇게 여러 가지의 관점을 뽑아야 그래야 어떤 하나 또는 두 개가 지워지더라도 가려지더라도 나머지를 기반으로 맞출 수가 있을 텐데 우리가 얼굴에 대해서 딱 두 개의 키포인터만 갖고 있어요 그러면 두 개의 키포인터가 가려지는 순간 아무것도 못하는 거죠 그래서 우리가 Local Feature들은 적당한 수의 적지 않은 수의 키포이터를 뽑아야 된다 이게 컨섰트가 되는 겁니다 그래서 컨섰트랑 입회할수랑은 어떻게 보면 트레이드 오프의 관계다 라고 얘기를 했죠

그래서 우리가 너무 적지도 너무 많지도 않은 키포이터를 뽑아야 된다 라고 이해를 해주시면 되겠습니다 그래서 뭐 키포인트 디텍터들이 뭐 이런게 있을거고 컴퓨터 비전 연구의 발전에 많은 영향을 줬다 라고 얘기를 했었고 그래서 우리가 키포인트의 대표적인 키포인트가 오늘 배울 코너가 대표적인 키포인트에요 그래서 저희가 지난 시간에 이것까지 봤었죠 저희가 이 이미지에서 키포인트를 뽑는다고 할 때 어떤 로컬 패치 로컬 피처를 뽑을거니까 로컬 패치를 키포인트라고 뽑을거냐고 했을때

이제 스카이 하늘 영역 같은 경우에는 이제 이런 모양의 캐페인트가 너무 많죠. 비슷한 모양의 패치가 굉장히 많기 때문에 디스틱티브하지 않다는 문제가 있는 거고요. 그 다음에 엣지 우리가 지나번에 배웠던 캐니 엣지 디테이터 같은 것을 통해서 엣지를 뽑을 수가 있긴 할텐데 엣지가 안 좋다면 아닌데 베스트는 아니라는 거죠. 그래서 엣지 같은 경우에는 얘도 얼마나 디스틱티브한지를 생각을 했을 때 이 패치가 엣지를 쭉 따라서 간다고 하면은

유사한 패치가 계속 똑같이 검출이 많이 될 거다. 그래서 엣지 같은 경우에는 이 기준으로 Y축으로 왔다 갔다 하면은 변화량이 크겠지만 엣지의 방향을 따라서 패치랑 이동을 하면 변화량이 작고 배리에이션이 적고 그 의미는 디스틴티브하지 않을 것이다 라고 우리가 생각을 할 수가 있고요. 마지막으로 코너 같은 케이스가 좋은 키포인트의 케이스라는 거죠. 그래서 이런 모양의 코너 위치를 패치로 만들면 패치를 어떤 방향으로 이동하던지 배리에이션이 굉장히 클 거고요.

패치 자체가 이 이미지 안에서 유사한 패치가 거의 없을 정도로 디스틴티브하게 공작할 거다 라는 거죠 그래서 우리는 이제 코너를 뽑을 거고요 그래서 이제 엣지 코너 이렇게 얘기했는데 Sky라고 했던 게 결국에는 우리가 이제 flat region이 되는 거죠 이 플랫한 부분을 저희가 여기서 Sky에 빗대서 얘기하고 있는 거예요 그래서 우리가 flat edge 코너 이 세 개를 이제 많이 비교를 합니다 플랫 리전과 엑지 리전과 코너 리전

이렇게 비교를 한다고 생각하면 되고요 오늘도 뒤에서 내용이 나올 거예요 그러면 이제 코너 자체가 일단 리피트업을 하겠죠 저희가 코너라는 영역을 생각을 해봤을 때 이 이미지를 회전이나 어떤 지오메칠 트랜스포메이션을 하더라도 같은 코너에서 우리가 똑같이 키포이크를 뽑을 수가 있을 거고요 두 번째로는 아까 말씀드린 대로 배디션이 굉장히 크기 때문에 다른 패치와의 차이가 크기 때문에 디스틱티브합니다

그래서 우리가 좋은 키포인트의 두건 중에서 리피터빌리티랑 디스틱티브니스를 만족을 하고 있는 거고요 당연히 로퀄리티는 말 안해도 코너 자체가 글로벌하지는 않기 때문에, 로컬하기 때문에 국소적인 영역이죠. 그래서 로컬리티도 만족을 할 거고 우리가 여기서 만족을 해줘야 되는 것은 컴팩트니스랑 포토틱 정도만 만족을 해주면 되기 때문에 코너라는 게 좋은 키포인트의 조건을 만족을 하고 있다 라고 얘기를 할 수가 있겠습니다.

그래서 이 이미지에서 코너 뽑은 엣이고요. 얘를 회전시킨 거예요. 회전시켜서 지오메트릭 트랜스포레이션을 했더라도 같은 데에서 우리가 키포인터들을 뽑을 수 있는 것을 알 수가 있습니다. 그래서 코너를 어떻게 뽑을지를 볼 거고요. 앞에서 설명을 드려도 될 수 있는 저희가 플랫한 레전은 왼쪽 오른쪽으로 이동을 하더라도 유사한 패치가 많다고 했고 엣지는 한쪽 방향으로 이동을 했을 때

베리에이션이 적은 방향이 존재하는 거였고 코너는 어떤 방향으로 가더라도 X축, Y축 어떤 방향으로 가도 베리에이션이 크다는 성질을 이용할 겁니다. 그래서 아까 설명을 드렸던 대로 플랫리전, 엑지, 코너 세 개를 구분을 했을 때 플랫리전 같은 경우에는 저희가 아이디어라는 케이스에서 흰색과 검은색 두 가지 컬러가 있다고 생각했을 때 플랫리전은 우리가 얘를 어떤 방향으로 이동을 하더라도

이동 결과인 리전과 거의 똑같은 결과가 나올 거다 라는 거죠 배린이 없을 거고요 그 다음에 엣지, 이 피치를 떼고 보면은 얘는 위아래로 와이트로 이동을 하면은 여기서 뽑은 엣지랑 거의 똑같아질 거다 라는 거죠 엣지 디렉션으로 가면 베리에이션이 없을 거고요. 코너 같은 경우에는 얘를 어디로 이동을 하더라도

아래 엣지를 따르더라도 얘랑 얘는 서로 다르죠. 다른 모양의 결과를 갖게 됩니다. 그래서 어떤 방향으로 가더라도 변화량이 튼 것을 저희가 코너의 성질이라고 생각을 하고 이 성질을 검출할 수 있으면 코너를 검출할 수 있다 라고 얘기를 할 수가 있을 겁니다

그러면은 우리가 이 차이라고 하는 것을 수식으로 정의를 하면은 이렇게 될 거고요 이제 포인트 바이 포인트로 생각하면은 우리가 이 포인트랑 여기 포인트를 이만큼 이동을 했어요 x축으로 u, y축으로 v만큼 이동을 했다고 하면은 이 원래 픽셀의 인텍스틱 값이랑 이동한 픽셀의 인텍스틱 값을 차이로 정의를 하면 되죠 이렇게 정의를 하면 될 거고요

이제 차이가 크냐, 작냐로 할 거면은 여기다가 절대값을 씌워도 될 거고 또는 제곱을 취해도 되겠죠 그래서 픽셀와이즈에서는 이렇게 우리가 쉽게 변화량을 측정을 할 수가 있는데 우리가 지금 원하는 것은 패치죠 패치 레벨 로퀄리티니까 패치 레벨에서의 변화량을 측정하려면은 어떻게 해야 할 거냐 라는 거구요 이 이미지는 지금 여기 있는 패치에요 여기 있는 패치를 확대를 해놓은 거구요

이 패치를 이제 갖고 와서 우리가 이제 로컬 리전을 파란색 박스랑 빨간색 박스로 생각을 하는 거예요 그래서 원래 파란색 박스였는데 얘를 이제 이만큼 이동을 한 거죠 x쪽으로 뭐 y쪽으로 v만큼 이동을 했다 라고 얘기를 하는 거예요 그래서 파란색 윈도우와 주황색 윈도우가 나올 거고요 그래서 예를 들어 U를 -2, V를 -3 정도로 세팅을 하면은 왼쪽 위로 올라가겠죠.

Turn-Left로 이제 방향으로 올라가야 될 거고 이 두간의 차이를 우리가 계산을 해야 되는 거고요. 그래서 픽셀 와이즈로 계산을 한 거를 저희가 이 윈도우 내에서 summation을 쭉 해주면 되겠죠. 그래서 결국에 윈도우 간의 디퍼런스라고 하는 것은 윈도우에 있는 픽셀 간의 디퍼런스를 모두 다 오리게이션을 해서 만든 거다 라고 얘기를 할 수가 있고요

그래서 이 시그마 안에 수식은 픽셀와이즈 수식인거죠. 변화량을 여기서 제곱으로 측정을 하게 된거죠. 그래서 한 픽셀의 변화량 제곱을 저희가 윈도우 안에 존재하는 모든 픽셀에 대해서 써메이션을 해주면 되겠다라는 겁니다. 그래서 이 윈도우와 이 윈도우의 차이체으로 표현을 할 수가 있겠죠 그래서 이렇게 하면은 이제 로퍼리전에서의 변화량을 이렇게 정의를 할 수가 있을 거고요

이거를 이제 UV를 바꿔가면서 측정을 해서 플라팅을 해볼 수가 있을 겁니다 그래서 이 V가 0,0일 때가 의미를 하는 것은 이동을 안 했다는 얘기죠 그래서 여기서 얘가 원점이에요 자기 자신과의 비교를 하는 것이기 때문에 이동을 안 한 상태 V가 0일 때는 변화량이 0이죠 변화량이 최소가 될 거고요 얘는 이제 이동을 해요. 파란 피치를 조금씩 이동을 하면 변화량이 점점 커지겠죠

점점 커지는 모습을 볼 수가 있고요 그리고 일정 수준까지 가서 이 빨간색까지 가면 얘가 이제 이동이 많이 돼서 대략 이 정도 포인트라고 할까요 그러면 변화량이 굉장히 큰 것을 볼 수가 있죠 변화량이 커서 밝은 색으로 표현이 되는 겁니다 그래서 저희가 Uv를 바꿔가면서 하면은 이제 이 윈도우의 변화량을 시각화를 해서 볼 수가 있을 겁니다

그래서 이 시각화 결과를 봤을 때 우리가 가운데 쪽에 어두운 색으로 표현이 된 부분 Uv가 상대적으로 작을 때는 변화량이 거의 없다가 그쵸? 그러니까 정수준 이상이 되면은 변화량이 이제 되게 커지는 거나 라는 걸 알 수가 있고요 또 알 수 있는 거는 어느 정도 이동을 하면은 또 변화량이 낮아지죠 얘가 지금 같은 패턴이 반복되고 있기 때문에 이 프란트 패치를 이만큼 이렇게 이동을 시키면은 거의 똑같은 패턴이 반복되기 때문에 다시 변화량이 낮아지는 영역이 생기는 것을 확인할 수가 있습니다.

그래서 UV를 변화하면서 예시에서는 20x20, 400개 변화에 대해서 측정을 한 거고요. 여기서 이제 값 하나로 표현되어 있는데 결국에 이 값을 하나 계산하기 위해서 이제 윈도우의 차이를 일일이 다 계산을 한거죠. 윈도우의 차이라고 하면은 앞에서 봤듯이 윈도우 안에 있는 모든 픽셀에 대한 이제 연산을 다 체크하고요. 예를 들어서 윈도우 안에 픽셀이 대략 10~10으로 100개가 있다고 하면은

이제 요거 하나 계산할 때 이제 100번 루트를 볼아야 되죠. 반복문을 돌려서 픽셀 차이를 계산해서 서메이션을 해줘야 되는 거고요 그러면 우리가 이게 20x20이면 전체를 다 계산하려면 20x20x100으로 많이 필요하겠죠 그래서 여기서 알 수 있는 것은 우리가 이 윈도우 레벨에서 디퍼런스를 계산하는게 계산량이 은근히 많다 라는 것을 볼 수가 있어요

왜냐하면 윈도우 안에 존재한 부분 픽셀을 다 디퍼런스를 계산을 해줘야 되니까 계산량이 많겠구나 까지 알아주시면 될 것 같습니다 그래서 아까 말씀드린거지만 UV가 0일 때는 윈도우가 이동 안한 거니까 자기 자신과 비교를 하는 거고 항상 에러는 최소값 0을 갖게 되겠죠 여기까지 봐주시면 될 것 같고요 그래서 우리가 몇 가지 예시를 볼 수가 있어요

이런 식으로 패턴이 반복되는 패치에 대해서 우리가 이 Difference Lab을 그려보면 얘가 앞에서 봤던 슬라이드에서 봤던 것과 마찬가지로 이렇게 격차무늬 패턴이 나오는 것을 볼 수가 있고요 그리고 어떤 코너에 대해서 계산을 하면은 마찬가지로 자기 자신에 가까울 때는 0에 가까운 어두운 값이 다만 어디로 이동하냐에 따라서 값이 밝게 나오는 걸 볼 수가 있고요 엣지에 대해서도 이렇게 그려볼 수가 있을 거고

그리고 플랫리전에 대해서 그려보면 어떻게 될지 한번 보면은 이제 이거죠 이렇게 막대를 한 건데 플랫 레전 같은 경우에는 어떤 방향으로 가더라도 이제 변화량이 거의 없기 때문에 우리가 이제 디퍼런스 랩을 그렸을 때 그러니까 그냥 다 0에 가까운 맵이 나올 거다 라는 것까지 예측을 해볼 수가 있을 겁니다 그래서 이렇게 저희가 윈도우를 지정을 하고 얘를 쉬프트한 거를 한 칠파트에 한 윈도우와의 디퍼런스를 계산할 때 윈도우 내부에 픽셀을 모두 계산해야 하기 때문에 계산량이 많아

그래서 이거를 좀 더 효율적으로 할 수 있는 방법이 없을까를 우리가 생각을 해볼 수가 있을 거고요 그 방법으로 사용할 수 있는 게 이제 Taylor 시리즈를 사용해서 할 수가 있어요 Taylor 시리즈는 저희가 일반적으로 정의하기를 이렇게 어떤 함수에 우리가 x 위치의 함수값을 알고 있는데 이 x를 d만큼 이동을 했을 때 함수값이 어떻게 변화를 할까 그러니까 x+d 위치에서의 함수값을 approximation 하는 것을 저희가 header 시리즈로 사용을 할 수가 있습니다.

그래서 1차 함수로 제가 간단하게 예시를 들면은 저희가 이 위치에서의 x 위치에서의 fx를 알고 있어요. 얘를 d만큼 이동을 했어요. 그러면 이 위치에서의 함수값이 얼마나 될지를 계측을 해보면은 우리가 이게 1차 함수라는 걸 알고 있으면은 우리의 기울기를 알고 있죠 그러면은 이 기울기만큼 d 곱하기 이 기울기만큼 얘가 함수값이 올라갈 거라는 것을 알 수가 있죠

그래서 실제로 계산해보면은 d 위치에서의 항수값은 x 위치에서의 항수값 + f'x에다가 d를 한 것과 똑같죠 만약 기울기가 1이었으면은 x축으로 d만큼 이루어있으면 y축으로 d만큼 증가가 됐을 거니까요 1차 함수는 이렇게 간단하게 우리가 바로 이제 정확하게 계산을 할 수가 있고요

이게 이제 좀 더 고차원의 함수가 되면은 뭐 이런 모양의 함수가 되면은 좀 더 복잡해지겠죠 단순한 1차 미분, 단순한 1차 미분으로 계산을 못 할 거고 우리가 1차 미분값이 어떻게 변화하는지에 대한 2차 미분값도 활용을 하고 3차 미분, 4차 미분 이렇게 활용을 하면은 점차도 점진적으로 이제 함수값에 가까워질 거다 라는 게 Taylor 시리즈가 되는 거고요 그래서 이걸 전개를 하면은 fx+f'xd에다가 f2'x 2차 미분한 것을 d제곱에 곱해주고 3차 미분한 것을 d3제곱에 곱해주고

이거를 이제 이 차원을 계속 늘려가면서 계산을 하면은 점점 더 가까워지는 거고요. 여기서 몇 차원까지 쓸지 몇 차원까지 쓸지를 우리가 결정을 해줄 수가 있는데 저희는 단순하게 보기 위해서 여기까지만 잘라서 쓸 거예요. 당연하게도 점점 오차가 작아지고 근사 정확도가 높아지겠지만 2차 미분 3차 미분 계산하면 그것도 복잡해지기 때문에 1차 한 가지만 쓸 거다 이걸 linearization 이렇게 얘기를 할 수가 있어요

이 항수 자체를 linear라고 보고 계산하는 거죠 이게 어떻게 보면은 저희가 이제 리사이징 할 때 바이리니어 인터플레이션 했던 것과 유사합니다. 바이리니어 인터플레이션도 두 픽셀 값의 변화가 리니어하다고 가정을 하고 풀었던 건데 그래도 마찬가지로 저희가 함수가 대충 리니어하다고 가정을 하고 풀 거예요. 특히나 D가 이제 작을 때는 이제 저희가 이거를 리니어하게 생각을 하더라도 큰 무디는 없습니다.

근데 물론 이미지 케이스에선 D가 이제 1보다 작아질 수는 없긴 하지만 그 정도 알아주시면 될 것 같고요 그래서 이거를 적용을 하면은 우리가 x,y 위치의 intensity 값을 알고 있을 때 얘를 x축으로 u만큼 y축으로 v만큼 변화한 거를 approximate를 하면은 완전히 똑같진 않죠 등목이 아니라 지금 approximate 전인식 되는 거구요. 그래서 이제 x축 방향으로 U만큼 이동을 했으니까

x축에 대한 1차 미분값을 U에다 곱해주고요. y축에 대한 미분값을 V만큼 곱해주면은 저희가 근사를 해줄 수가 있을 겁니다. 그래서 여기서 보면은 실제로 우리가 패치를 이동해서 다른 위치로 갔을 때 실제 값을 갖고 와서 계산을 하는 게 아니라 그냥 현재 위치의 값과 현재 위치의 미분값 그래디언트 값만 이용해서 우리가 이동을 했다 치고 계산을 하자는 거예요.

그럼 굉장히 효율적으로 계산을 할 수가 있겠죠. 그래서 수식 전개를 해보면 수식이 굉장히 깔끔하게 정리가 됩니다. 아까 수식, UV만큼 이동을 했을 때에 에러 값이라고 했을 때 윈도우 안에 있는 모든 픽셀들을 이동을 해서 디퍼런스를 계산을 해줬다고 하면 이걸로 Taylor Series Dispension을 이용하면 실제 uv만큼 이동했을 때 픽셀 값이 아니라 현재 위치체의 픽셀 값에 그래디언 제일 길게 하게

변화량을 준 것으로 리플레이스를 할 수가 있고요. 이것을 빼주면 되는데 지금 x, y에서 인텐시티가 똑같죠. 두 개가 사라지고요. 결국에 남는 텀은 ixu+ivd, iyv가 되고 a 제곱이 되는 거고요. 이거 절대완전식이니까 풀어주면 이런 식으로 풀리겠죠. 그래서 실제로 우리가 이 변화량을 계산할 때 실제 픽셀값을 사용하지 않고요

그냥 gradient 값만 이용해서 이렇게 사용을 하게 된다 이렇게 계산을 하게 된다 하는 거죠 그러면은 우리가 ix랑 iy를 이미 알고 있어요. ix랑 iy를 아는 상태에서 uv만 바꿔 끼우면은 이제 저희가 모든 디퍼런스 맥 계산을 할 수가 있고요. 그래서 이거 계산 자체가 굉장히 효율적으로 변화하는 거죠. uv만 대입해서 바로 결과가 나와 버리니까.

그래서 이렇게 계산을 할 수가 있고, 이거를 우리 매치스 매치플리케이션 폼으로 바꿀 거예요. 매치스 폼으로 바꾸면은 얘가 지금 우리가 원하는 게 uv에 대한 함수죠. uv에 대한 함수이기 때문에 이 uv 텀들을 앞에 앞뒤에 빅터로 이제 뽑아내게 되면은 가운데 m이라는 매트릭스에는 uv 위제수가 없고 이제 이미지 그래디어스만 남게 됩니다. 이렇게 하면은 이제 이 시그마가 M 안쪽으로 들어와요

그래서 M은 2x2에 확렬이 됩니다 그래서 실제로 계산해 보시면은 위에랑 똑같이 나오는 거는 체크해 보실 수 있고요 얘랑 두개가 똑같습니다 이렇게 나온 M이라는 매트릭스를 이제 저희가 Second Moment 매트릭스라고 하거나 또는 KERIS 매트릭스라고 얘기를 합니다 그래서 이 KERIS라는 분이 매트릭스 이용해서 코너를 공출하는 알고 있지만 개발을 한 거죠

그래서 이 매트릭스를 우리가 잘 살펴보면 이 패치가 코너에 있는지 코너가 아닌지를 확인할 수 있다는 것 같아요 그래서 우리가 이걸 보면은 수식을 2x2의 각 엘리먼트를 해석을 해보면요 이제 다이어고나라 있는 애는 지금 하나는 ix의 제곱 즉 x축에 대한 변화량의 크기인거죠 제곱을 했으니까요 음수든 양수든 상관없이 x축으로 그래디언트가 세면 값이 높게 나오고요

값이 낮으면 낮게 나와요 그 다음에 이 다이어고나라는 두번째 다이어고나라는 이제 엘리먼트는 y축에 대한 그레이전트의 변화량인거죠 그래서 그레이전트의 제곱만큼 윈도우 안에서 서메이션을 해주게 된거구요 그 다음에 num-다이온을 보면은 일단 얘네 둘이 똑같죠 수식으로 똑같은 수식이구요 그러면은 x축에 대한 변화량 곱하기 y축에 대한 변화량을 해서

얘네를 다 서메이션을 한거죠 그래서 어떻게 볼 수가 있냐면은 저희가 어떻게 볼 수가 있냐면은 다이아보널은 저희가 확률과 통계 수식에서 이 코밸리언스 매치일상 굉장히 유사해요 그래서 한 변수의 배리언스를 볼 수가 있고요 그 다음에 non-dialon에 있는게 두개의 상반 코밸리언스 값이라고 생각을 할 수도 있겠죠

아무튼 이렇게 정의를 할 수가 있고 요거를 헤리스 매트릭스라고 얘기를 하고요 요거를 저희가 아이디어라는 경우에 패치를 갖고 와서 생각을 해보면요 저희가 아이디어라는 경우에서의 플랫리전 엣지 코너를 갖고 왔습니다 그러면은 이제 플랫리전 같은 경우에는 우리가 이 그래디언트 값이 어떻게 될가를 생각을 해보면은 그래디언트가 X축으로도 거의 없고 Y축으로도 거의 없겠죠 그래서 계산을 하면은

이번식으로 나올거에요. 우리가 우리가 a, b 값을 정확히는 모르지만 a, b 값이 굉장히 낮게 나올거다 라고 생각을 할 수가 있을거구요. 그 다음에 엣지 같은 경우에는 엣지는 지금 이런 모양의 아이디어로 엣지를 생각해보면 얘는 X축 방향으로 이동하면 클 거에요. 그래디언트가 크죠. X축 방향에 대한 그래디언트는 큰데

Y축 방향으로 이동했을 때 변화량을 작을 거에요. 그래디언트가 작을 겁니다. 그래서 우리가 A는 크고 B는 작은 상황 또는 이 엣지가 호라이즈넬 엣지라고 하면 이제 Y축은 크고 X축은 작은 상황을 생각할 수가 있습니다. 그리고 마지막으로 코너 같은 경우에는 A랑 B 둘 다 큰 상황을 가정할 수가 있어요

여기서 한 가지만 더 말씀을 드리면은 우리가 아이디어란 엣지랑 코너를 고려를 한다는 것은 엑시스에 aligned 되어 있는 상황을 우리가 가정을 하는 거예요 그래서 엣지의 모양이 이런 식으로 대각성으로 생긴 게 아니라 그러니까 한 방향으로만 한 축으로만 이렇게 되어 있는 거죠 이렇게 한 축으로만 되어 있으면은 내가 계산을 해보면은 ix랑 iy를 구성한 결과가 0이 됩니다

왜냐면은 이런 엣지 같은 경우에는 엣지세에 온라인이 되어 있기 때문에 iy는 존재하는데 ix는 거의 없죠. 0이 되죠. 그래서 두 개를 곱하면 0이 됩니다. 그래서 우리가 ix, iy를 계산을 해서 이제 전체 그레이전체의 오리엔테이션을 계산을 해야 될 텐데 그게 이제 축에 얼라인이 되어 있다는 거죠.

그래서 ix, iy를 곱하면 0이 된다는 게 이제 아이디어라는 케이스에서의 정의라고 생각을 해주시면 되겠습니다. 그래서 우리가 어떤 한 픽셀을 뽑았을 때 이 픽셀이 갖고 있는 그래디언트 방향은 X축 또는 Y축만 갖고 있는 거고 X, Y축을 둘 다 가질 수는 없는 거예요. 코너에서도 마찬가지인 거죠. 그래서 한 픽셀을 뽑았을 때 이 픽셀에서 얘는 이쪽 방향의 그래디언트를 갖고 있고 X축에 대한 그래디언트는 다 0이고요. 얘는 이쪽으로 갖고 있고

Y축에 대한 그래디언트는 다 0이기 때문에 IX, I, Y를 뽑혀서 써메이션한 게 0이 된다. 이게 아이디어라는 케이스입니다. 이것보다 일단 중요한 거는 AP 값이 중요한 거예요. 그래서 AP가 플랫 레전에서는 AP가 둘 다 작고 엣지에서는 AB 둘 중에 하나가 큰 상황이고요 코너에서는 AB 둘 다 큰 상황이다 라고 생각을 해주시면 되겠습니다 근데 실제 상황에서는 이제 이 엣지 토너가 엑시스에 얼라인 안되어 있겠죠

그래서 우리가 이렇게 회전을 한 것을 가정을 할 수가 있어요 그래서 엑시스에 안 맞을 수가 있습니다 이런 것을 생각을 해봤을 때 저희가 이 앞에 갖고 있던 이 매트리스를 회전한 것과 똑같아요. 로테이션을 한 것과 똑같기 때문에 저희가 A0, 0B 매트리스는 유지를 한 상태로 앞에다가 뭔지는 모르겠지만 회전 매트리스를 곱해준 것과 동일하게 볼 수가 있습니다.

그래서 이걸 어떻게 해석을 할 수가 있냐면요. 앞에는 V-inverse가 붙어있고 뒤에는 V가 붙어있죠. V를 어떤 로테이션 매트리스라고 생각을 하면 우리가 이렇게 회전되어 있는 것을 먼저 세타만큼 돌려서 아이디어로 만들어주고요 이 상태에서 이제 A랑 B를 계산을 해주게 되는 거고 다시 얘를 세타 인버스만큼 돌린 거라고 생각을 하시면

좀 편하게 이해를 할 수가 있습니다 그래서 우리가 이 A, B 행렬을 앞뒤에다가 회전 행렬 V-inverse랑 V를 곱한 것과 똑같다 라고 이해를 해주시면 되겠습니다 그래서 결국에는 여기서 하고 싶은 얘기는 이제 Real Edge 코너더라도 우리가 이런 형태로 만들어 줄 수가 있고요 A, B 값이 이제 중요하다 라는 거예요 이 경우에 있어서

그래서 우리가 이 axis formulation을 보면은 이제 IGN 지컴포지션 한 곡과 동의하다 라는 얘기를 하고 있는 거고요. 그래서 이때 이 m이라는 매트리스에 eigenvector는 v가 되는 거고 그리고 eigenvalue는 이제 a, b 두 개의 eigenvalue를 가진다 라고 이해를 할 수가 있습니다

그래서 우리가 이 AB를 비교를 해서 이제 플랫리전이냐 엔지냐 포너냐를 따지게 될텐데 이거를 우리가 어떤 매트리스에 대해서 IGN 밸류를 직접적으로 계산을 하는 것은 계산이 되게 오래 걸려요 그죠? 오래 걸리기 때문에 이거를 우리가 중요한 것은 이 A랑 B값이 정확히 얼마냐가 중요한게 아니라 A, B의 상관관계가 중요한거죠 A가 A 혼자 크고 혼자 크냐? 아니면 A, B 둘 다 크냐?

아니면은 A, B 둘 다 짝냐를 우리가 체크를 하는거기 때문에 요런거를 이용을 할 수가 있어요 우리 iGEM Value 배웠을때 iGEM Value의 합과 곱을 매트릭스에서 꺼낼 수가 있구요 두 eigenvalue의 곱은 matrix의 determinant 값과 똑같다고 알려져 있고요 두 eigenvalue의 합은 trace, 그러니까 diagonal 엔트리의 합과 똑같다고 알려져 있습니다 그래서 우리가 합과 곱은 되게 효율적으로 가져올 수가 있어요 matrix를 보면은 효율적으로 가져올 수가 있어요

그러면 이 합 곱을 적절히 조합을 하면은 두 값 중에서 누가 크고 누가 작은지를 찾아낼 수가 있을 거다 라는 거고요 그래서 이 response function을 이렇게 정의를 합니다 두 eigenvalue의 곱 -α라는 상수를 곱해준 그리고 trace의 제곱 합의 제곱이죠. 제곱을 -해준 것을 response function이라고 얘기를 하고

이거를 사용하면 lambda1, lambda2 또는 a와 b 사이의 관계를 우리가 유출을 할 수가 있습니다. 그래서 이렇게 나오는데 여기가 0.06이 있구요. 저희가 두 eigenvalue의 곱을 곱해서 합의 제곱을 0.04에서 0.06 굉장히 작은 값으로 높여서 빼주면은 이런 식으로 영역을 나눠줄 수가 있어요.

'남다'뭔가 어떻게 되냐에 따라서 예를 들어서 플랜 리저닝 같은 경우에는 두 값이 다 작은 경우죠. 둘 다 0에 가까우면 그 결과가 어떻게 되는지 우리가 생각을 해보면 대충 0에 가까운 값을 대입을 하면 얘도 0에 가까워지겠죠 거의 0이 될 거고요 0보다 작은 애 두 개를 곱했으니까 그리고 0보다 작아 0보다 작아 0보다 작아 0보다 작아 0보다 작아 0보다 작아 0보다 작아 0보다 가까운 애 두 개로 곱했으니까 0에 가까워질 거고요 2개를 합한 것도 0에 가깝겠죠 그러면 그거를 제공을 한 것도 0에 가까울 겁니다

그래서 이 lambda1과 lambda2가 굉장히 작을 때에는 이 response function, R이라고 하는 response function이 0에 가깝게 결과가 나올 거고요 그러면은 엣지 케이스를 생각을 해보면은 이제 둘 다 일단 0보다는 커요 0보다 큰 상태에서 이제 둘 중에 하나가 나머지 하나보다 훨씬 큰 케이스를 생각을 해볼 수가 있을 거고요

그러면 이때는 결과가 어떻게 되는지를 생각을 해볼 수가 있을 거고요 일단 하나가 굉장히 크기 때문에 우리가 다른 하나를 거의 무시를 하는 거에요 거의 무시를 하는 거구요 예를 들어서 lambda1이 lambda2보다 훨씬 크다 라고 하면은 lambda1xp lambda2를 해도 얘가 lambda1에서 크게 달라지지 않을 거에요

그죠? 여기다가 상수를 복급한 정도가 되겠죠? 어떤 수준의 그리고 이제 뒤에를 보면은 lambda1이랑 lambda2를 더했어요 더한 상태에서 제곱을 할 건데 lambda1이 lambda2보다 훨씬 커요 그러면 이 두 개를 더한 거를 우리가 대충 lambda1이라고 볼 수 있겠죠 그러면 lambda1을 제곱을 해주게 된 거예요 lambda1의 제곱에다가 알파를 한게 되는거죠

그래서 앞에거에서 뒤에거를 뺄거에요 근데 우리가 아까 앞에서 얘기했듯이 lambda1이 매우 커요 그러면은 제곱을 하면은 얘가 훨씬 커지기 때문에 요 두개를 뺐을때 결과가 음수가 나오게 될겁니다 그래서 이 엣지인케이스에 뭐 이거 람다2가 클 때도 어차피 똑같이 영어가 나올거에요 그래서 엣지인케이스

람다1,2등의 하나가 많이 클 때 요 영역 지금 요 영역을 람다1이 클 때죠 람다1이 람다2보다 멀뚱이 클 때 그리고 거꾸로 lambda2가, lambda1보다 월등히 큰 영역에 대해서는 주황색 리즈는 리스펀스 펑션의 결과가 음수로 굉장히 큰 음수로 나오게 되는 영역이다 라고 볼 수가 있을 겁니다.

마지막으로 이제 코너를 볼 거고요 코너는 이제 둘 다 0보다 많이 커요 그래서 두 개가 뭐 어차피 0에서 많이 떨어져 왔으니까 비슷하다고 생각을 하고요 얘를 대충 lambda로 보면은 response function을 따로 계산해 보면은 제품들이 될 건데 이게 람다의 제곱이 될 거고요.

이렇게 되겠죠 그 다음에 란다로 제곱을 바꿔주면 이런 식으로 되겠죠 1-4α에다 란다제곱을 방법과 같은 거고요 1-4α 계산하면은 우리가 4α 0.1 그러니까 0.8 정도 될 건데 결국에 0.8 람다 제고. 람다는 굉장히 크다고 했으니까 람다의 제고가 0.8을 곱하더라도 0보다는 많이 클 거다.

이 경우는 이 다이어가에서 8개 0이구요. 람다1과 람다2가 비슷하게 큰 경우에 2 다 0 보다 충분히 큰 경우에는 이제 이 리스폰스 펑션이 0 보다 커질 거다 라고 우리가 계산을 할 수가 있을 겁니다 그래서 우리가 실제 Lambda1이나 Lambda2가 어떻게 되는지 상관없이 이 리스폰스 펑션만 계산을 하면은

둘의 대소관계를 따질 수 있고 효용적으로 이게 플랫인지, 엣지인지 코너인지까지 계산을 해낼 수가 있다는 거죠. 그래서 이 response function cut을 이용하면 된다는 거고요 코너에 적당한 영역을 찾아낼 수가 있는 거고요

요거를 이제 결국에는 이게 Harris matrix에 Harris matrix에 Determinant과 Trace cut을 이용해서 우리가 계산을 하는 거고요 Harris matrix는 2x2죠 우리가 2차원이었으니까 2x2에서 우리 Determinant 계산하는 거 아시죠? 예를 들어서 abcd 였으면 determinant 계산하면 ab-bc죠

이렇게 determinant도 안 되구요 trace 같은 경우에는 뒤에는 a+d가 됩니다. 가이어 번호를 하게 돼요. 그래서 우리가 굉장히 손쉽게 계산을 할 수가 있는 거죠. 그래서 Harris Matching Spring을 이용해서 코너를 검출할 수가 있고요.

그래서 이 Harris라는 분이 이거를 이용을 해서 Harris Corner Detector라는 걸 이제 어떤 완전한 프로세서를 통해서 만든 거고요. 보면은 이제 이따가 볼건데, CANY랑 굉장히 비슷해요. CANY Edge Detector가 되는게 Harris Corner Detector라고 생각을 해주시면 되겠습니다. 프로세서버 이렇게 5개로 정리가 되구요. 먼저 우리가 Harris Matrix를 계산하려면 필요한게 IS, I, Y가 필요했죠.

그러니까 이미지에서의 X축, Y축에 대한 gradient가 필요했구요. 이거 이제 계산을 하는거, CANY Edge Detector에서도 이거 먼저 계산하고 시작했죠. 그래서 Gawishian Smoothing을 먼저 하고, Sobel Filter를 적용을 해서 이미지를 smoothing한 결과에서 IS, I, Y를 뽑아냈죠. 마찬가지에요. 여기서도 Gawishian은 생략되어있지만, smoothing 한번 하고, 이제 Sobel Filter를 컨볼렉션을 하면은 IS, I, Y를 계산을 해낼 수가 있을거구요.

두 번째로 이 헬스 매치에선을 계산을 해야 되는데 윈도우 내에서 이제 저희가 이 ix 제곱의 summation을 해줘야 되고 ixy의 summation 그리고 iy의 제곱의 summation을 해주면 되고요 윈도우를 어떻게 정의를 하냐에 따라서 다를 수가 있는데 로컬한 윈도우를 정의를 하기 때문에 일반적으로 3x3의 윈도우를 세팅하거나 5x5 정도의 윈도우를 세팅할 수가 있을 거에요

그러면 윈도우에 대해서 우리가 이렇게 그래디한테 서비션을 해주면 되는데 이것도 두 가지의 디자인 초이스가 있어요. 크게 중요하지는 않지만 우리가 이 윈도우를 박스 필터처럼 사용을 해서 유니폼하게 서메이션을 해줄 수가 있고요 윈도우 안에서 이 계절의 합을 계산할 때 유니폼하게 해줄 수가 있고요 가오션을 적용을 해줄 수도 있습니다

즉 이 윈도우의 가운데를 좀 더 가중치를 줘서 이제 헤리스 웨치스 계산을 해줄 수도 있겠죠 이거는 좀 디테일한 차이인거구요 중요한 거는 우리가 윈도우 안에서의 모든 크래디언트 값을 써메이션을 해줘야 된다라는 거죠 그렇게 해주는 이유는 우리가 패치라는 거는 코너라는 거는 어떤 한 픽셀로 정의되는 게 아니라 패치 내부에서 결정이 되는 거기 때문에

우리가 그거를 계산을 윈도우 내에서 해줘야 됩니다 그 다음에 뭐 이거 해치스 매치스가 계산이 됐으면은 리스폰스 펑션은 진짜 쉽게 계산이 되겠죠 해치스 매치스를 계산하는게 시간이 좀 걸릴 거고 그래서 리스폰스 펑션 계산하는거는 디터미넌트 마이너스 알파 곱하기 찬스 제곱 아까 알파는 0.04에서 0.065를 사용을 한다고 했는데 얘도 이제 하이퍼 파라미터가 되는거에요 상황에 맞춰서 적당한 값을 설정을 해주면 되고요.

요거를 이제 리스폰스 맵을 각 픽셀별로 찍어본 거예요. 픽셀별로 찍었을 때 어디가 밝게 나오고 어디가 어둡게 나오느냐 그러니까 어디가 값이 높게 나오고 어디가 낮게 나오는지를 본 거고요. 이 히트맵은 이제 저희가 히트맵이라고 해서 값의 높이와 낮은 거를 이제 열화상 카메라처럼 만든 거예요. 그래서 값이 높을수록 붉은색 계열처럼 나온 거고요. 값이 낮은 영역을 파란색으로 표현을 한 거예요. 시각할 어떻게 했나의 차이로 보시면 되고요

붉은색 영역들 보이죠? 이런 영역들이 이미지에 대해서 리스폰스 맵을 뽑아가는게 보이시고 되는 거고요 그러면 이제 플랫리전들을 보면은 어두운 값들이 나오는 걸 볼 수가 있고요 여기 엣지를 자세히 보면요 음수값이 나오니까 굉장히 짙은 파란색인 영역들도 보이죠. 이 테두리에서 짙은 파란색 영역도 확인할 수가 있고요. 그리고 굉장히 밝은 영역들, 코너로 확인이 되는 것들이 나올 겁니다.

지금 두 이미지가 질 매치 트랜포메이션도 되어 있고요 그 다음에 일루미네이션도 변화가 되어 있죠 밝게값도 달라져 있어요 다르지만 트랜스포메이션이 있더라도 두 이미지에서 뽑혀진 키포인트들을 보면은 유사한 곳에서 코너가 뽑힌 것을 볼 수가 있어요 그래서 여기 눈이라도 눈이 영역이 두 이미지에서 똑같이 꼽힌다고 하거나 아니면은 목에 걸려있는 영역들이 비슷하게 꼽힌다고 하던가

아니면 지금 몸에 있는 영역 패턴도 유사하게 꼽히는 것을 볼 수가 있죠 그래서 이 코너라는 것은 지오메틱이나 포토매트릭 트랜스포메이션에 강관하기 때문에 이 차원에서 뽑히는 것을 볼 수가 있어요 그래서 이렇게 뽑고 나면은 Threshold를 해주면 되죠 우리가 Response Function의 결과가 일정 수준보다 높으면은

0보다 충분히 크다고 판단이 되면은 그러니까 해주면 되니까 Threshold는 했습니다 그래서 저 Threshold은 모세타보다 큰 애들만 뽑아서 BINALIZE가 됐죠 크면은 1, 작으면은 0으로 해서 흰색과 검색연형으로 뽑을 수가 있어요 그러면은 우리는 지금 여기서 코너처럼 보이는 코너가 될 수 있는 영역들을 다 찾은거에요. 키포인트들을 다 찾은거라고 볼 수가 있겠죠.

그래서 이 이미지에서 코너처럼 보이는 애들이 굉장히 많이 뽑히고요. 그리고 두개를 비교를 해봤을 때 눈 영역이나 아까 얘기했던 것과 유사하죠. 이제 보게 있는 장식영역이나 얘네들이 서로 다른 이미지에서 뽑혔음에도 불구하고 굉장히 유사하게 리뷰터블하게 뽑힌 것을 살펴볼 수가 있습니다. 근데 이제 문제는 뭐예요?

리피터블하고 디스틱티브한 건 알겠어요 네, 로퀄리티도 만족을 할 거고요 오른쪽의 문제는 너무 많다는 거죠 리피션드 같지 않나요? 그죠? 그래서 이 키포인트들을 한번 줄여줘야 됩니다 이걸 줄여주기 위해서 사용을 하는 게 우리가 캐니 엣지 디테크터에서 사용했던 것과 유사하게 넌 맥시멈 서프레이션을 적용을 해줘요 그래서 이 뽑힌 애들이 있을텐데 애들 뭐 예를 들어서 얘가 뽑혔어요

근데 얘를 이웃 영역을 살펴봅니다 상판이 3 영역에서 봤더니 얘도 뽑혔고 얘도 뽑혔고 얘도 뽑혔어요 이 4개를 우리가 다 살려놓을 필요는 없다는 거죠 왜냐면 너무 인접해 있는 픽셀이기 때문에 굉장히 유사할 확률도 높고 얘를 다 쓰려면은 리피션드 하지가 않아요 그럼 얘를 어떻게 하냐? 얘를 아까 리스폰스 펑션을 계산했던 것을 다시 끌고 옵니다 리스폰스 펑션, 스트레스 볼징 하기 전에 결과를 봤더니

리스폰스 값이 굉장히 천차만별이 나오게 될 텐데 얘는 200이고 얘는 1000이고 얘는 800이고 한 60이 나왔어요 나머지는 의미 없고 이렇게 나왔으면 가운데 픽셀 나 자신을 중심으로 해서 나랑 이웃되는 애들을 비교했을 때 나보다 리스폰스 펑션 값이 높은 애가 있죠 지금 나는 800인데 주변에 1000이 있어요 그럼 800을 지워버린다는 거죠

제거를 합니다. 그래서 엣지 디테크에서는 엣지 방향으로만 이렇게 따졌었죠. 엣지랑 복수 분어랑 그래디언트 방향으로만 따졌었는데 얘는 이제 6 8개랑 따진다고 해주시면 되고요. 이렇게 해서 저희가 넘맛싱먼 서프레이션을 하면 이렇게 많이 뽑혔던 애들 중에서 얘네들만 이제 살아남는 거예요. 이렇게 하는 식으로 사놓고 마찬가지로 넘맛싱먼 서프레이션을 해서

로컬 맥시마만 이제 찾아주고요. 인텍해 있는 애들 중에서 나보다 큰 애가 있으면 로컬 맥시마가 아닌 거고 그런 코너들을 제거를 해줍니다 그래서 이렇게 계산을 하면은 이런 식으로 우리 키포인트 뽑히는 걸 볼 수가 있고요 보면은 굉장히 잘 뽑히는 걸 볼 수 있어요 눈 영역이 보면은 비슷한 부분에서 두 개의 키포인트가 뽑혔죠 꼽혔구요.

이 뿔 영역에서도 이 뿔의 두가지 꼭지점, 둘 다 꼽힌 것을 볼 수가 있구요. 이 포인트들이 인형이 피터블하게 잘 꼽힌 것을 볼 수가 있습니다. 그래서 이 월로무늬 패턴에서에도 꼭지점들이 위주로 꼽힌 것을 볼 수가 있습니다. 그래서 정리를 하면 이렇게 해리스 코너 디텍터라고 하는 것은

이제 저희가 로컬하게 정의한 패치가 변화량이 어떤 방향으로 있는지를 체크하기 위해서 해리스 매트릭스라는 것을 도입을 했죠 해리스 매트릭스에 iJB이고 A랑 B값을 그러니까 누가 크고 누가 0랑 비슷한지를 알아내야 되는데 직접 계산하는게 쉽지 않았으니까 이거를 이제 디터미넌트랑 트리스를 이용해서 간접적으로 계산을 했고 그 리스폰스 펜션 결과를 이용해서 그런 포모 디텍션을 수행할 수가 있다는 거죠 그래서 이 5가지 스텝들을 알아주시면 되겠습니다.

그래서 그래디언트 계산하고, 페이스 맥틸스 주어진 윈도우 안에서 뜯고, 맥틸스의 리스폰스 프로그램 계산하고, 스트릿 소리딩, 그리고 넌 맥시멍 서프레이션 카드 적용을 해주면 되겠습니다. 얘도 이제 몇가지 특징을 우리가 생각할 수가 있어요. 트랜슬레이션에 이베리아트한가 생각을 해보면은 그렇겠죠. 토너가 이동을 하더라도 똑같은 데서 우리가 큐포인터를 뽑아낼 수가 있을거에요. 그래서 리피터업을 하죠. 트랜슬레이션에 대해서. 로테이션에서도

이제 인페리언트인가 이런 모양의 코너가 있었는데 로테이트 됐어요 이렇게 되더라도 우리는 똑같은 데서 뽑을 수가 있겠죠 똑같은 코너를 검출을 해낼 수가 있을 겁니다 이 얘기는 저희가 이제 헤리스 맥칠스의 아이젠 밸류를 계산했을 때 주 아이젠 밸류는 이런 이클립스를 표현해 타원을 표현하게 될 텐데 타원이 회전하더라도 이제 결과는 똑같다 그래서 아까 봤던 것과 똑같죠?

저희 아이디어랑 엣지가 아니더라도 아이디어랑 코너가 아니더라도 회전을 적용을 하더라도 알제벨류 알제베터는 그대로 유지가 됩니다 그래서 똑같은 데서 뽑아낼 수가 있고요 그래서 트랜슬레이션에서 인베리언트하고 로테이션에 대해서도 인베리언트합니다 그럼 다음 질문은 스케일에 대해서도 인베리언트 하냐를 따질 수가 있는 거고요 스케일이라고 하면은 이미지가 얼마나 확대됐냐고 우리가 생각을 할 수가 있죠 얼마나 확대됐냐 얼마나 멀리서 봤냐

오늘 이 사이즈 얼마나 됐냐 생각을 할 수가 있죠 저희가 로컬 패치를 정의하기 때문에 이 패치가 코너를 이렇게 커버를 해요 그러면은 얘는 코너를 검출하죠 근데 이 코너가 많이 확대가 됐어요 클로즈업이 되서 코너가 이런 식으로 넓게 퍼져있는데 우리가 갖고 있는 윈도우를 그대로 사용해요 이렇게 사용을 하면은

얘가 코너를 과연 검출할 수 있을까 생각했을 때 그렇지 않다는 거죠 그래서 얘는 검출을 못하고요 실제로 얘는 우리가 이 배치 안에 내부를 보면은 코너라기보다는 엣지에 가까워 보이죠 이렇게 윈도우보다 훨씬 큰 사이즈의 코너를 봤을 때는 얘가 코너를 검출을 못 할거다 이 얘기는 뭐냐면 이 헤리스 코너 디텍터는 스케일에 대해서 인베리언하지가 않다는 얘기죠

그래서 스케일이 변화되면 검출을 못한다 한계로 생각을 할 수가 있겠습니다. 그래서 저희가 헬스코너 디텍터의 단점을 해결하고 스케일에 인베리언 턴을 뽑아줘야 되는거에요 코너 같은 것을 검출할 때

스케일이 달라졌을 때 검추를 놓다니까 어떤 것을 검출을 해야 되냐 생각을 해주시면 되겠습니다 그래서 이 이미지와 이 이미지의 시에서 봤을 때 이제 같은 부분에 키포인트가 뽑혀서 로컬 영역을 살펴봤는데 우리가 얘네들의 시뮬라리티를 계산을 했을 때 얘네가 달라지면 안 된다는 거죠 시뮬라리티가 유사해야 우리가 스케일이 달라지더라도 매칭이

가능해진다 라고 이해를 해주시면 되겠습니다 그래서 저희 이제 오늘 여기까지 하고요 다음 시간에 이제 Scale Inverning 장기 포인트를 어떻게 뽑느냐 피처를 어떻게 뽑느냐를 배우고 이제 Shift라고 하는 되게 유명한 이 Feature 디스크립터에 대해서 살펴보도록 하겠습니다 네 그러면 오늘 수업 여기까지 하고 또 많으시고요. 하나만 더 공지사항을 드리면 저희 29일이 있거든요.

중앙원서 다음 주 29일에 휴강입니다. 저희 휴강이고 학과 따른 일정에 있어가지고 이때 휴강한다는 것을 미리 말씀을 드릴게요. 또 한번 공지해드리겠습니다. 네 수고 많으셨고 뒤에 내용은 목요일까지 해서 여기까지 시험 검은이니까 준비를 잘 해주시면 되겠습니다. 수고 많으셨습니다.