[논문]LSTM 신경망을 이용한 1차원 객체추적

박선배; 유도식

doi:10.12673/jant.2021.25.2.150

초록
AI-Helper

객체추적은 객체의 위치변화를 찾는 것으로, 이전시간의 객체의 위치와 주어진 관측 데이터를 바탕으로 객체의 위치를 추적하는 신호처리의 한 분야이다. 객체추적 기법에는 대표적으로 칼만필터와 파티클필터가 있는데, 두 필터 모두 시스템 모델을 알고 있어야 좋은 성능을 낼 수 있다. 퍼셉트론 신경망에 피드백 루프를 추가한 재귀신경망은 데이터의 시계열적 상관관계를 활용할 수 있어 객체 추적에도 사용되고 있으며, 장기의존성 문제를 해결한 LSTM으로 발전하여 다양한 분야에 활용되고 있다. 본 논문에서는 이러한 LSTM의 추적 성능을 검증하기 위하여 1차원 객체 추적이라는 공통의 문제를 설정하고, 칼만필터, 파티클필터와의 추적 성능을 비교한다. 보다 다양한 관측 환경에서의 추적 성능 비교검증을 위하여 가우시안 잡음 외에도 라플라스, 지수, 균등 분포의 잡음이 있는 경우도 상정하였다. 그 결과 LSTM 신경망은 시스템 모델이 주어지지 않고, 학습데이터만으로 학습을 하여 안정적인 성능을 낼 수 있다는 것을 확인하였다.

Abstract ▼ AI-Helper

Object tracking is a technique of signal processing that estimates objects locations based on past locations and present time observed data. While, Kalman filter and particle filter are among the most notable object tracking schemes, these filters need to know the system model to achieve optimal per...

Object tracking is a technique of signal processing that estimates objects locations based on past locations and present time observed data. While, Kalman filter and particle filter are among the most notable object tracking schemes, these filters need to know the system model to achieve optimal performance. The recursive neural network (RNN) with a feedback loop added to the perceptron neural network can be used for object tracking. Also, RNN evolved into long-short term memory (LSTM) that solved the long-term dependence problem and is being used in various fields. In this paper, in order to study the tracking performance of LSTM, we consider a simple problem of one-dimensional object tracking, and compare the tracking performance with Kalman and particle filters. In order to test the tracking performance in diverse observation environments, various noise models such as Gaussian, Laplace, exponential, and uniformly distributed noises are considered. Under the various circumstances, we observe that LSTM neural network achieves fairly stable performance without knowing the system model.

주제어

표/그림 (5)

그림 그림 1. LSTM 신경망의 구조 Fig. 1. The structure of LSTM neural network.
표 표 1. (천이잡음분산, 관측잡음분산)이 (1, 1)인 경우의 각 알고리듬 별 rmse 성능 Table 1. The rmse result of each algorithms when (transition noise variance, observer noise variance) is (1, 1).
표 표 2. (천이잡음분산, 관측잡음분산)이 (1, 4)인 경우의 각 알고리듬 별 rmse 성능 Table 2. The rmse result of each algorithms when (transition noise variance, observer noise variance) is (1, 4).
표 표 3. (천이잡음분산, 관측잡음분산)이 (1, 1)인 것을 (1, 4)로 알고있는 경우의 각 알고리듬 별 rmse 성능 Table 3. The rmse result of each algorithms when (transient noise variance, observed noise variance) is (1, 1), but misunderstood as (1, 4).
표 표 4. (천이잡음분산, 관측잡음분산)이 (1, 4)인 것을 (1, 1)로 알고있는 경우의 각 알고리듬 별rmse 성능 Table 4. The rmse result of each algorithms when (transient noise variance, observed noise variance) is (1, 4), but misunderstood as (1, 1).

참고문헌 (10)

A. Gautam, and S. Singh, (2019, December). "Trends in video object tracking in surveillance: a survey," in 2019 Third International conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud), Palladam: India, pp. 729-733, Dec. 2019.
A. Kuramoto, M. A. Aldibaja, R. Yanase, J. Kameyama, K. Yoneda, and N. Suganuma, "Mono-camera based 3d object tracking strategy for autonomous vehicles," in 2018 IEEE Intelligent Vehicles Symposium (IV), Changshu: China, pp. 459-464, Jun. 2018.
S. B. Park, and D. S. Yoo, "Three stage neural networks for direction of arrival estimation," The Journal of Korea Navigation Institute, Vol. 24, No. 1, pp. 47-52. Feb. 2020.
R. E. Kalman, "A new approach to linear filtering and prediction problems," Journal of Basic Engineering. Vol. 82, No. 1, pp. 35-45, 1960.

상세보기
M. S. Arulampalam, S. Maskell, N. Gordon, and T. Clapp, "A tutorial on particle filters for online nonlinear/nonGaussian bayesian tracking," IEEE Transactions on signal processing, Vol. 50, No. 2, pp. 174-188, 2002.

상세보기
M. Speekenbrink, "A tutorial on particle filters," Journal of Mathematical Psychology, Vol. 73, pp. 140-152, 2016.

상세보기
W. Liu, Z. Wang, X. Liu, N. Zeng, Y. Liu, and F. E. Alsaadi, "A survey of deep neural network architectures and their applications," Neurocomputing, Vol. 234, pp. 11-26, 2017.

상세보기
M. Abadi, A. Agarwal, B. Paul, et al. (2016, Mar). Tensorflow: large-scale machine learning on heterogeneous distributed systems. Available: https://arxiv.org/abs/1603.04467.
M. Fiaz, A. Mahmood, S. Javed, and S. K. Jung, "Handcrafted and deep trackers: recent visual object tracking approaches and trends," ACM Computing Surveys (CSUR), Vol. 52, No. 2, pp.1-44, 2019.
S. Hochreiter, and J. Schmidhuber, "Long short-term memory," Neural Computation, Vol. 9, No. 8, pp. 1735-1780, 1997.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

LSTM 신경망을 이용한 1차원 객체추적
One-dimensional Object Tracking using LSTM Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

LSTM 신경망을 이용한 1차원 객체추적 One-dimensional Object Tracking using LSTM Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

박선배 (4) 유도식 (16)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

LSTM 신경망을 이용한 1차원 객체추적
One-dimensional Object Tracking using LSTM Neural Network 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)