본 논문에서는 기존의 기하학적 재순위를 대체하기 위해, 다양한 기하학적 매칭 가능성을 학습하는 4D 합성곱 신경망을 활용하는 새로운 이미지 검색 네트워크인 Correlation Verification Network (CVNet)를 제안한다. 효율적인 교차 스케일 매칭을 가능하게 하기 위해, 우리는 특징 피라미드를 구성하고 단일 추론 과정에서 교차 스케일 특징 상관관계를 수립함으로써, 비용이 큰 다중 스케일 추론을 대체한다. 또한, 어려운 샘플을 처리하기 위해 Hide-and-Seek 전략을 적용한 커리큘럼 러닝을 사용한다. 제안하는 CVNet은 여러 이미지 검색 벤치마크에서 큰 폭으로 최첨단 성능을 보인다. 그러나 구현 관점에서 CVNet에는 한 가지 단점이 있다. 즉, 모든 데이터베이스 이미지의 조밀한 특징을 저장해야 하므로 높은 메모리 사용량을 요구한다는 점이다. 이러한 높은 메모리 요구사항은 실제 응용에서의 중요한 제한 요소가 될 수 있다. 이 문제를 해결하기 위해, 데이터베이스 이미지의 특징을 희소화(sparsifying)하여 메모리 사용량을 유의미하게 줄일 수 있는 CVNet의 확장 버전인 Dense-to-Sparse CVNet (CVNet)을 제안한다. CVNet의 희소화 모듈은 Gumbel 추정기를 사용하여 이미지 특징의 관련 부분을 종단 간(end-to-end)으로 선택하는 방법을 학습한다. 희소화가 오프라인으로 수행되므로 CVNet은 온라인 추출 및 매칭 시간을 증가시키지 않는다. CVNet은 성능 수준을 거의 동일하게 유지하면서 메모리 사용량을 극적으로 감소시킨다.

3차원 라이다(light detection and ranging, 3D LiDAR) 센서는 자율주행 차량에서 널리 사용된다. 3D LiDAR를 활용하는 다양한 인식 문제들 가운데 주행 가능 영역(drivable region, DR) 식별은 가장 중요한 문제 중 하나이다. 본 논문에서는 3D LiDAR를 이용한 DR 식별을 완성(completion) 문제로 재정식화한다. 즉, 가상 점들이 DR을 가능한 한 조밀하고 균일하게 덮도록 가상 점을 생성하여, DR을 충분히 잘 표현하는 것이 문제이다. 본 논문에서 다루는 문제를 DR 완성 문제라고 명명한다. DR 완성 문제(DRC)를 해결하기 위해 Drivable Region Completion Network(DRCN)라는 새로운 네트워크를 제안한다. 제안하는 DRCN은 인코더 부분과 디코더 부분으로 구성된다. 인코더 부분은 두 개의 인코더로 이루어진다. 첫 번째는 다층 퍼셉트론(multi-layer perceptron, MLP) 인코더이며, 주어진 라이다 점들의 전역(global) 특징을 포착한다. 두 번째는 Point Pyramid Network(PPN) 인코더로 명명되며, 점군(point cloud) 내에서 점들 사이의 국소(local) 특징을 추출한다. 디코더 부분은 거친-것에서-정교한(coarse-to-fine) 구조를 취하며, 거친 디코더와 정교화(refinement) 디코더로 구성된다. 거친 디코더는 DR에 대한 시드(seed) 점을 예측한다. 정교화 디코더는 시드 점을 정교화하여 최종의 조밀한 DR 점들을 예측한다. 마지막으로, 제안하는 DRCN을 평가를 위해 SemanticKITTI 데이터셋에 적용한다. 제안하는 DRCN은 우리의 DRCN이 정확도 측면에서 다른 DR 탐지 방법들보다 성능이 우수함을 보임으로써 검증된다.