실시간 고성능 다중 객체 추적을 위한 자가 학습 기반 검출기 실행 메커니즘 연구 :Self-Supervision to Adaptively Run a Detector for Real-Time High-Accurate Multi-Object Tracking

박대현

추천

검색

자료유형: 학위논문

저자정보: 박대현 (인하대학교, 인하대학교 대학원)

지도교수: 배승환

발행연도: 2023

저작권: 인하대학교 논문은 저작권에 의해 보호받습니다.

이용수2

이 논문의 연구 히스토리 (2)

2023

실시간 고성능 다중 객체 추적을 위한 자가 학습 기반 검출기 실행 메커니즘 연구

박대현 전기컴퓨터공학과 2023.01 학위논문

2022

효율적인 검출 기반 추적 메커니즘을 위한 자가 학습 기반 검출기 스케줄러

박대현 , 이성호 , 배승환 한국컴퓨터정보학회논문지 2022.10 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 실시간 고성능 다중 객체 추적을 수행하기 위해 최적의 TBD (Trackingby-detection) 메커니즘을 결정할 수 있는 Detector Scheduler를 제안한다. Detector Scheduler는 서로 다른 프레임 간의 특징량 차이를 측정하는 것으로 검출기 실행 여부를 결정하여 전체 추적 속도를 향상한다. 하지만, Detector Scheduler의 학습에 필요한 GT (Ground Truth) 생성이 어렵기 때문에 Detector Scheduler를 추적 결과만을 통해 학습 가능한 자가 학습 방법을 제안한다. 제안된 자가 학습 방법은 프레임 간의 객체 카디널리 티와 객체 외형 특징량의 비유사도가 커질 때 검출기를 실행할 수 있도록 의사 레이블을 생성하고 제안된 손실함수를 통해 Detector Scheduler를 학습한다. 결과적으로 본 학습 방법을 통해 추적 정확도를 최대한 유지하고 전체 추적 속도를 향상함으로써 실시간 고성능 다중 객체 추적을 달성할 수 있다. 본 논문에서는 공인된 다중 객체 추적 데이터 셋 (MOT16/17)에서 최근 추적기와 비교 평가를 통해 제안한 방법의 우수성과 효과를 증명하였다.

#Multi-Object Tracking #Tracking-by-Detection Scheduling #Dissimilarity Learning #Self-Supervised Learning #Quality Measure

Chapter 1 Introduction 1
Chapter 2 Related Work 4
2.1 Multi-Object Tracking 4
2.1.1 Association methods 4
2.1.2 Tracking-by-detection 5
2.1.3 Joint and Detection and Embedding 7
2.2 Key-Frame Scheduling 8
2.3 Self-Supervised Learning 9
Chapter 3 Methodology 11
3.1 Detector Scheduling Network 11
3.2 Detector Scheduler Training via Self-Supervision 14
3.3 Quality Measure of Tracking without Detection 14
3.3.1 Cardinality Measure 15
3.3.2 Localization Measure 16
3.4 Pseudo Labeling and Detector Scheduling Loss 17
3.5 Tracking by Detector Scheduler 18
Chapter 4 Experiments 20
4.1 Datasets 20
4.2 Evaluation Metric 20
4.3 Implementation Details 22
4.4 Ablation Study 23
4.4.1 Detector Scheduling Network 23
4.4.2 Quality Measure of Tracking 24
4.5 Decision Scheduling Probability on Static and Dynamic Scenes 26
4.6 Sensitivity Analysis 27
4.6.1 Sensitivity Analysis of the ξ 27
4.6.2 Sensitivity Analysis of the θdet 28
4.7 Comparison Detector Scheduler with Baseline per Sequence 29
4.8 Comparison with the State-of-the-art Trackers 35
Chapter 5 Future Works 38
Chapter 6 Conclusion 40
Appendix A Comparison of detection and association complexity in MOT 43
Bibliography 44

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)