[논문]물체탐색과 전경영상을 이용한 인공지능 멀티태스크 성능 비교

정민혁; 김상균; 이진영; 추현곤; 이희경; 정원식

doi:10.5909/jbe.2022.27.3.308

초록
AI-Helper

딥러닝 기반 머신 비전 기술을 이용한 영상분석 과정에서 전송되고 저장되는 방대한 양의 동영상 데이터의 용량을 효율적으로 줄이기 위한 연구들이 진행 중이다. MPEG(Moving Picture Expert Group)은 VCM(Video Coding for Machine)이라는 표준화 프로젝트를 신설해 인간을 위한 동영상 부호화가 아닌 기계를 위한 동영상 부호화에 대한 연구를 진행 중이다. 그 중 한 번의 영상 입력으로 여러가지 태스크를 수행하는 멀티태스크에 대한 연구를 진행하고 있다. 본 논문에서는 효율적인 멀티태스크를 위한 파이프라인을 제안한다. 제안하는 파이프라인은 물체탐지를 선행해야 하는 각 태스크들의 물체탐지를 모두 수행하지 않고 한번만 선행하여 그 결과를 각 태스크의 입력으로 사용한다. 제안하는 멀티태스크 파이프라인의 효율성을 알아보기 위해 입력영상의 압축효율, 수행시간, 그리고 결과 정확도에 대한 비교 실험을 수행한다. 실험 결과 입력 영상의 용량이 97.5% 이상 감소한데 반해 결과 정확도는 소폭 감소하여 멀티태스크에 대한 효율적인 수행 가능성을 확인할 수 있었다.

Abstract ▼ AI-Helper

Researches are underway to efficiently reduce the size of video data transmitted and stored in the image analysis process using deep learning-based machine vision technology. MPEG (Moving Picture Expert Group) has newly established a standardization project called VCM (Video Coding for Machine) and ...

Researches are underway to efficiently reduce the size of video data transmitted and stored in the image analysis process using deep learning-based machine vision technology. MPEG (Moving Picture Expert Group) has newly established a standardization project called VCM (Video Coding for Machine) and is conducting research on video encoding for machines rather than video encoding for humans. We are researching a multitask that performs various tasks with one image input. The proposed pipeline does not perform all object detection of each task that should precede object detection, but precedes it only once and uses the result as an input for each task. In this paper, we propose a pipeline for efficient multitasking and perform comparative experiments on compression efficiency, execution time, and result accuracy of the input image to check the efficiency. As a result of the experiment, the capacity of the input image decreased by more than 97.5%, while the accuracy of the result decreased slightly, confirming the possibility of efficient multitasking.

Keyword

표/그림 (13)

그림 그림 1. 멀티태스크를 위한 파이프라인 Fig 1. Multi-task pipeline
그림 그림 2. 물체탐지 결과 XML(a)와 탐지된 물체만 표현하는 전경영상(b) Fig 2. Object detection results: (a) XML and (b) foreground only image
그림 그림 3. 신뢰도 점수 별 물체탐지 추출결과 영상 Fig. 3. Image of object detection extraction result by confidence score
표 표 1. 실험의 하드웨어 및 소프트웨어 환경 Table 1. Hardware and software environment of the experiment
표 표 2. 실험에 사용된 네트워크 Table 2. Networks used in the experiment
그림 그림 4. (a) 멀티태스크 프로세스, (b) 싱글태스크 프로세스 Fig 4. (a) Multi-task process, (b) Single-task process
표 표 3. 실험에 사용된 데이터 Table 3. Data used in the experiment
표 표 4. 각 동영상의 QP별 BPP Table 4. BPP by QP for each video (unit : BPP)
표 표 5. 자세추론의 멀티태스크와 싱글태스크의 QP별 mAP 비교 Table 5. Comparison of mAP by QP of the multitask and single task of pose estimation (unit : mAP)
그림 그림 5. 싱글태스크와 멀티태스크의 QP별 자세추론 mAP 결과 그래프 Fig. 5. Pose estimation mAP result graph by QP of single task and multi-task
그림 그림 6. 싱글태스크와 멀티태스크의 QP별 물체탐지 mAP 결과 그래프 Fig. 6. Object tracking mAP result graph by QP of single task and multi-task
표 표 6. 물체추적의 멀티태스크와 싱글태스크의 QP별 MOTA 비교 Table 6. Comparison of MOTA by QP of the multitask and single task of object tracking (unit : MOTA)
표 표 7. 멀티태스크와 싱글태스크의 소요시간 비교 Table 7. Comparison of time taken for the multitask and single task (unit : sec)

참고문헌 (12)

Y. Jang, D. Chung, "Technology Trend for Image Analysis Based on Deep Learning," Current Industrial and Technological Trends in Aerospace, vol.17, No.1, pp.113-122, July 2019.
M. Jeong, S. Kim, H. Jin, H. Lee, H. Choo, H. Lim, and J. Seo, "Experiment on the Effect of Feature Map Encoding on CNN Performance Evaluation," JOURNAL OF BROADCAST ENGINEERING, vol.25, No.7, pp.1081-1094, December 2020. doi: https://doi.org/10.5909/JBE.2020.25.7.1081

상세보기
H. Jin, M. Jeong, D. Yoo, S. Kim, J. Lee, H. Lee, and W. Cheong, "Compression of CNN Inference Results Using MPEG-7 Descriptor Binarization," Proceedings of the Korean Society of Broadcast Engineers Conference, pp.36-38, June 2021.
S. Wenkel, K. Alhazmi, T. Liiv, S. Alrshoud, M. Simon, "Confidence Score: The Forgotten Dimension of Object Detection Performance Evaluation," Sensors, Vol. 21, No.13: 4350, 2021, (accessed May. 3, 2022). doi: https://doi.org/10.3390/s21134350.

상세보기
H. Lee, J. Lee, H. Choo, W. Cheong, J. Seo, "[VCM] Object of interest based VCM for multi-task," ISO/IEC JTC1/SC29/WG02 m58846, Online, January 2022
W. Lin, K. Dong, R. Yang, T. Wang, A. Zhang and D. Liu, "[VCM] Anchor generation for HiEve(object tracking)," ISO/IEC JTC1/SC29/WG02 m55761, Online, December 2020.
Github - facebookresearch/detectron2, https://github.com/facebookresearch/detectron2 (accessed Apr. 10, 2022).
FFmpeg, https://ffmpeg.org/ (accessed Apr. 10, 2022).
VTM-12.0 jvet/VVCSoftware, https://vcgit.hhi.fraunhofer.de/jvet/VVCSoftware_VTM/-/tree/VTM-12.0 (accessed Apr.10, 2022).
Github - leoxiaobin/deep-high-resolution-net.pytorch, https://github.com/leoxiaobin/deep-high-resolution-net.pytorch(acces sed Apr.10, 2022).
Github - Zhongdao/Towards-Realtime-MOT, https://github.com/Zhongdao/Towards-Realtime-MOT (accessed Apr.10, 2022).
J. Redmon and A. Farhadi, "YOLO v3: An Incremental Improvement", Computer Vision and Pattern Recognition, 2018. (accessed Apr. 10, 2022). doi: https://doi.org/10.48550/arXiv.1804.02767

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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

[국내논문] 물체탐색과 전경영상을 이용한 인공지능 멀티태스크 성능 비교
Comparison of Artificial Intelligence Multitask Performance using Object Detection and Foreground Image 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (13)

표/그림 (13)

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 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

[국내논문] 물체탐색과 전경영상을 이용한 인공지능 멀티태스크 성능 비교 Comparison of Artificial Intelligence Multitask Performance using Object Detection and Foreground Image 원문보기

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

Abstract ▼ AI-Helper

Keyword

표/그림 (13) 모든 표/그림 보기

표/그림 (13) 슬라이드로 보기

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

이진영 (5) 추현곤 (19) 이희경 (20) 정원식 (39)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 물체탐색과 전경영상을 이용한 인공지능 멀티태스크 성능 비교
Comparison of Artificial Intelligence Multitask Performance using Object Detection and Foreground Image 원문보기

초록
AI-Helper

표/그림 (13)

표/그림 (13)

활용도 Top5 논문