연구진은 시각적 장소 인식(VPR) 모델 학습에 필요한 데이터셋 규모가 커짐에 따라 저장 및 학습 비용 증가 문제를 해결하기 위해 데이터셋 가지치기(DP) 프레임워크를 제안했어요.
기존 DP 방법은 개별 이미지 분류에 초점을 맞추지만, 본 연구는 이미지 쌍으로 구성된 VPR의 관계 의존적 학습 특성을 고려하여 장소를 기본 단위로 하는 가지치기 방법을 제시했어요.
IPD(intra-place diversity)와 IPS(inter-place similarity)라는 새로운 지표를 도입하여 장소의 학습 가치를 평가하고, 이를 바탕으로 효율적인 데이터셋 코어셋을 구축하여 VPR 모델의 성능을 유지했어요.
실험 결과, 제안 방법은 다양한 가지치기 비율에서 기존 DP 방법보다 우수한 성능을 보였으며, GSV-Cities 데이터셋을 3.5배 축소해도 경쟁력 있는 성능을 달성했어요.