CV5‐easy - waegari/waegari.github.io GitHub Wiki

keypoint detect

📘 1부: 문제

✅ 객관식 문제 (난이도 하~중)

Harris corner detector의 주요 특징으로 옳은 것은?

a) 스케일 불변성을 갖는다
b) 구조 행렬 M을 기반으로 한다
c) SIFT보다 계산 비용이 높다
d) 딥러닝 기반이다

Harris detector에서 코너는 어떤 조건에서 나타나는가?

a) 두 고유값이 모두 작을 때
b) 한 고유값만 클 때
c) 두 고유값이 모두 클 때
d) 고유값이 모두 0일 때

Harris corner detector에서 사용하는 수식으로 옳은 것은?

a) ( R = \text{det}(M) + k \cdot \text{trace}(M)^2 )
b) ( R = \text{det}(M) - k \cdot \text{trace}(M)^2 )
c) ( R = \text{trace}(M) - k \cdot \text{det}(M) )
d) ( R = \text{trace}(M)^2 - \text{det}(M) )

SIFT의 특징으로 옳지 않은 것은?

a) 회전 불변성을 갖는다
b) 스케일 불변성을 갖는다
c) 디스크립터는 일반적으로 128차원이다
d) 고정된 해상도에서만 동작한다

SIFT 알고리즘에서 사용하는 핵심 기술은 무엇인가?

a) Median filter
b) Difference of Gaussian
c) Histogram Equalization
d) Box filter

SIFT 디스크립터의 구성 방식에 대한 설명으로 옳은 것은?

a) 2x2 영역으로 나누어 계산
b) 방향 정보는 고려하지 않음
c) 4x4 영역에 대해 8방향 히스토그램을 계산
d) 총 64차원의 벡터로 표현

SIFT에서 키포인트 매칭 시 일반적으로 사용하는 거리 측정 방법은?

a) Manhattan 거리
b) L2 거리
c) Jaccard 거리
d) Cosine 유사도

SURF의 주요 장점은 무엇인가?

a) 딥러닝 기반으로 높은 정확도를 가짐
b) 계산 속도가 SIFT보다 빠름
c) RGB 채널별로 분리 계산
d) 특징점의 크기 정보를 무시함

SURF에서 사용하는 이미지 표현 기법은?

a) 적분 이미지
b) 히스토그램 평활화
c) 소벨 필터
d) 블러 필터

LIFT detector의 구성 요소가 아닌 것은?

a) Orientation Estimator
b) Detector
c) Descriptor
d) Smoothing Operator

SIFT의 디스크립터는 주로 어떤 정보를 바탕으로 계산되는가?

a) 색상 정보
b) 그래디언트 방향과 크기
c) 이미지 전체 평균
d) 화소 밝기 차이

SURF에서 특징점 검출 시 사용하는 행렬은?

a) Structure matrix
b) Hessian matrix
c) Laplacian matrix
d) Covariance matrix

SIFT의 디스크립터 차원 수는 일반적으로 몇 개인가?

a) 64
b) 100
c) 128
d) 256

Harris detector는 다음 중 어떤 변화에 불변(invariant)하지 않은가?

a) 회전
b) 스케일
c) 밝기 오프셋
d) 이미지 이동

SIFT에서 특징점을 찾기 위해 비교하는 이웃의 개수는?

a) 4
b) 8
c) 26
d) 64

Harris detector에서 고유값 λ₁, λ₂가 모두 작으면 무엇으로 판단되는가?

a) 코너
b) 에지
c) 평평한 영역
d) 노이즈 영역

SIFT의 키포인트 디스크립터 생성에서 사용하는 특징은?

a) 원형 마스크 기반 특징 추출
b) 그래디언트 방향 히스토그램
c) RGB 평균값 계산
d) 차분 에지 감지

SURF 알고리즘은 다음 중 어떤 방식을 사용하여 계산 속도를 높이는가?

a) LBP(Local Binary Pattern)
b) 적분 이미지 + 박스 필터
c) SIFT + 딥러닝
d) Harris 응답 기반 필터링

LIFT는 어떤 접근을 통해 특징점을 추출하는가?

a) 전통적인 선형 필터링
b) HOG(Histogram of Oriented Gradients)
c) 딥러닝 기반 모델
d) 엣지 감지 기반 접근

다음 중 keypoint detector들의 공통점으로 적절한 것은?

a) 모두 128차원 디스크립터를 사용
b) 모두 스케일 불변성을 갖는다
c) 모두 회전 불변성을 갖는다
d) 모두 고정된 윈도우 크기를 사용한다

✍️ 주관식 단답형 문제

Harris corner detector에서 코너 응답 함수에서 사용하는 일반적인 ( k )의 범위는?
SIFT 디스크립터는 몇 차원의 벡터로 표현되는가?
SURF 알고리즘에서 속도를 높이기 위해 사용하는 핵심 이미지 표현 방식은?
SIFT에서 로컬 극값을 찾기 위해 비교하는 주변 이웃의 개수는 몇 개인가?
LIFT detector의 세 가지 주요 구성 요소는 무엇인가?

📝 2부: 정답

좋습니다! 아래는 위에서 출제한 문제에 대한 정답과 각 문항에 대한 간단한 해설입니다.

🟩 2부: 정답

✅ 객관식 정답

✍️ 주관식 정답

0.04~0.06
128
적분 이미지 (Integral Image)
26
Detector, Orientation Estimator, Descriptor

📚 3부: 해설

객관식 해설

b: Harris는 구조 행렬 M 기반으로 코너 검출. 스케일 변화에는 약함, 딥러닝 기반 아님.
c: 두 고유값이 모두 크면, 각 방향으로 변화가 커서 코너로 판단.
b: Harris 응답 함수는 ( R = \text{det}(M) - k \cdot \text{trace}(M)^2 )
d: SIFT는 다양한 해상도(스케일)에서 작동함.
b: SIFT는 Difference of Gaussian(DoG) 사용하여 특징점 검출.
c: 4x4 영역 × 8방향 = 128차원 디스크립터 생성.
b: 유사도 측정에 일반적으로 L2 거리(유클리디안 거리)를 사용.
b: SURF는 SIFT보다 계산 속도가 빠름.
a: SURF는 적분 이미지로 빠른 계산이 가능함.
d: Smoothing Operator는 LIFT 구성 요소가 아님.
b: SIFT는 그래디언트의 방향과 크기를 바탕으로 디스크립터 생성.
b: SURF는 Hessian 행렬의 결정자를 기반으로 특징점을 검출.
c: 일반적으로 SIFT 디스크립터는 128차원.
b: Harris는 스케일 변화에 약함.
c: SIFT는 3x3x3 블록 내 26개 이웃과 비교하여 local extrema 검출.
c: 고유값이 모두 작으면 flat region(평탄 영역)으로 간주됨.
b: 방향 히스토그램 기반 디스크립터 생성은 SIFT의 핵심 특징.
b: SURF는 적분 이미지와 박스 필터를 활용해 계산 효율을 높임.
c: LIFT는 딥러닝 기반 특징점 추출 방법.
b: SIFT와 SURF 모두 스케일 불변성을 갖지만, 디스크립터 차원은 다름.

주관식 해설

0.04~0.06
- Harris 응답 함수의 안정성과 민감도를 조절하는 파라미터로, 일반적으로 이 범위 내에서 설정.
128
- SIFT는 4x4 블록에서 8방향 그래디언트 → 4×4×8 = 128차원 디스크립터.
적분 이미지
- SURF는 적분 이미지를 활용해 빠른 계산이 가능하며, 박스 필터 연산에 매우 효과적.
26
- SIFT에서 DoG에서 local extrema를 검출할 때는 3×3×3 블록의 26개 주변 점과 비교.
Detector, Orientation Estimator, Descriptor
- LIFT는 학습 기반 아키텍처로 이 세 구성요소로 나뉘며, 전체 feature 처리 과정을 학습함.