Structure-Aware Learning for Battery State Estimation and Efficient Rotation-Invariant Image Matching

Abstract

This dissertation examines whether making task-relevant structure explicit in learned representations and inference pipelines can improve the practical robustness--efficiency trade-off relative to more generic end-to-end designs. It studies this question through two case studies: battery state-of-charge estimation from sensor time series and rotation-robust image matching from visual observations. The battery case study focuses on representation-centered design, whereas the image-matching case study considers the joint design of representations and inference pipelines. Although these problems differ in modality and application domain, both require reliable inference under task-relevant variation while remaining compatible with practical computational constraints.

In the first case study, the dissertation shows that reformulating battery state-of-charge estimation with time--frequency representations and lightweight learning architectures provides a favorable accuracy--efficiency trade-off compared with generic time-domain pipelines. A spectrogram-based framework with a compact convolutional model yields the main positive result, and a follow-up extension introduces alternative time--frequency features, sequence-native modeling, and an auxiliary objective to examine both the flexibility and the limits of this representation-centered approach. In particular, the extension shows potential for performance gains when the training and evaluation distributions are closely aligned, while suggesting that robust generalization to input-distribution shifts induced by differences in operating environments requires additional design considerations.

In the second case study, the dissertation introduces iXFeat, a rotation-invariant image matching system that jointly embeds discrete rotation structure into descriptor learning and matching computation. By combining an equivariant backbone, parallel rotation-invariant matching, and a coarse-to-fine pipeline that reuses coarse orientation estimates during local matching, the method achieves strong rotation robustness while retaining competitive efficiency.

Taken together, the two case studies support a bounded but consistent conclusion: compact or specialized methods can compare favorably with more generic pipelines in practical robustness and efficiency when their design directly reflects task-relevant structure.|본 학위논문은 학습 표현과 추론 파이프라인에 과업 관련 구조를 명시적으로 반영하는 설계가, 일반적인 종단간 설계에 비해 실제 적용에서 요구되는 강건성--효율성 절충을 개선할 수 있는지를 검토한다. 이를 위해 센서 시계열 기반 배터리 충전상태（state-of-charge, SoC） 추정과 시각 관측 기반 회전 강건 영상 정합이라는 두 가지 사례 연구를 다룬다. 배터리 상태추정에서는 표현 중심 설계에 초점을 맞추고, 영상 정합에서는 표현과 파이프라인을 함께 구조화한다. 두 문제는 입력 양식과 응용 분야가 다르지만, 제한된 계산 자원 안에서 과업 관련 변화에 안정적으로 대응해야 한다는 공통점을 가진다.

첫 번째 사례 연구에서는 배터리 충전상태 추정을 시간--주파수 표현과 경량 학습 구조로 재구성할 때, 일반적인 시간영역 파이프라인에 비해 정확도와 효율성 사이에서 유리한 절충을 달성할 수 있음을 보인다. 핵심 결과는 소형 합성곱 모델을 결합한 스펙트로그램 기반 프레임워크에서 확인되었다. 이어지는 확장 연구에서는 대안적 시간--주파수 특징, 시퀀스 친화적 모델링, 그리고 보조 목적함수를 도입하여 표현 중심 접근의 유연성과 한계를 함께 살펴본다. 특히 이 확장 연구는 훈련 및 검증 데이터의 분포가 비교적 유사한 경우에는 성능 개선 가능성을 보이는 반면, 운용 환경 간 차이에 따른 입력 분포 이동에 대해서는 안정적인 일반화를 위해 추가적인 설계 고려가 필요함을 시사한다.

두 번째 사례 연구에서는 이산적 회전 구조를 기술자 학습과 정합 계산에 함께 반영한 회전 불변 영상 정합 시스템 iXFeat 를 제안한다. 제안 방법은 등변환 백본, 병렬 회전 불변 정합, 그리고 거친 단계에서 추정한 방향 정보를 국소 정합에서 재사용하는 coarse-to-fine 파이프라인을 결합한다. 이를 통해 높은 회전 강건성을 확보하면서도 경쟁력 있는 계산 효율성을 유지한다.

종합하면, 두 사례 연구는 제한된 범위 안에서 하나의 일관된 결론을 뒷받침한다. 과업 관련 구조를 설계의 중심에 명시적으로 반영할 경우, 소형 혹은 특화된 방법도 실제 적용에서 요구되는 강건성과 효율성 측면에서 보다 일반적인 파이프라인에 충분히 견줄 수 있음을 보여준다.