날씨, 계절, 조명 등 환경 변화로 인한 시각 장소 인식의 낮은 강인성 문제를 해결하기 위해 시각 장소 인식 특징 기술자의 환경 견고성을 향상시키는 다차원 주의 메커니즘인 병렬 전차원 동적 주의 메커니즘(POD-Attention)을 제안하였다. 전차원에서 컨볼루션 커널의 동적이고 세밀한 탐색을 실현하고, 건물과 같은 불변 특성의 추출 및 학습 능력을 강화하기 위해 전차원 동적 컨볼루션 블록을 사용하여 컨볼루션 커널의 모든 차원(입력 및 출력 채널, 컨볼루션 공간, 컨볼루션 커널 수)에 보완적인 주의를 추가하였다. 1×1 컨볼루션, Skip Squeeze-and-Excitation(SSE) 모듈과 전차원 동적 컨볼루션 블록을 병렬로 융합하여 특징 추출 속도를 효과적으로 향상시키는 동시에 시각 장소 인식 네트워크의 수용 영역을 확장하여 시각 장소 인식 정확도를 더욱 향상시켰다. 공개 데이터셋에서 수행한 실험은 VGG16 및 Patch-NetVLAD 특징 집계를 기반으로 하는 시각 장소 인식 방법이 POD 주의 메커니즘으로 개선된 후 Nordland와 Mapillary Street-Level Sequences 데이터셋에서 Recall@1 지표가 각각 9.7% 및 1.8% 향상되었음을 보여주어 본 논문의 POD 주의 메커니즘이 네트워크 성능 향상에 효과적임을 입증하고 본 논문 POD 주의 메커니즘을 기반으로 하는 시각 장소 인식 방법의 유효성을 증명하였다.

시각 장소 인식;환경 강인성;딥러닝;병렬 전차원 동적 주의 메커니즘;병렬 전략