로보틱스 공학 및 자율주행 차량 분야에서 시각적 장소 인식(Visual Place Recognition, VPR)을 통한 정밀한 위치 추정은 시각적 오도메트리(visual odometry)로 인해 발생하는 국소화(localization) 오류를 줄이는 데뿐만 아니라, 낯선 환경에서의 모호한 지도(ambiguous maps) 생성 자체를 방지하는 데에도 결정적으로 중요하다. 조명(illumination) 변화, 가림(occlusions), 동적 객체(dynamic objects)와 같은 도전 과제를 다루어 VPR 성능을 향상시키려는 수많은 연구가 진행되어 왔음에도 불구하고, 최근의 접근법은 주로 모델 기반(model-based) 방법에 초점을 맞추고 있으며 데이터 증강(Data Augmentation, DA) 방법에 대해서는 상대적으로 제한된 관심만이 기울여져 있다. 따라서 DA가 VPR의 일반화 능력(generalization ability)에 미치는 영향을 조사할 필요가 있다. 이를 달성하기 위해, 본 연구는 VPR 학습 접근법을 비교하고, 종합적인 실증 분석을 수행하며, 핵심적인 통찰을 제시한다. 본 연구의 결과는 향후 VPR 시스템 설계를 위한 유용한 지침을 제공함과 동시에 컴퓨터 비전 및 로보틱스 연구의 발전에 기여할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.