[논문]딥러닝 기반 실시간 다중 객체 추적 시스템

김경훈; 강석주

딥러닝 기반 실시간 다중 객체 추적 시스템
Deep Learning-based Real-Time Multi-object Tracking 원문보기

김경훈 (서강대학교 전자공학과) , 강석주 (서강대학교 전자공학과)

최근 객체 추적 분야에서의 딥러닝 활용도가 증가하고 있다. 대표적인 딥러닝 기반 객체 추적 시스템은 객체 검출 알고리즘과 추적 알고리즘의 연쇄된 형태로 구성된 형태이다. 따라서 추적 시스템의 성능은 객체 검출기의 성능에 매우 의전적이라는 한계점이 존재한다. 본 논문에서는 위와 같은 검출-추적의 직관적인 구조로 구성된 시스템에서 딥러닝 기반 검출기에 대한 의존성을 낮추고 또한 추적기의 동작 속도를 증가시키는 방법을 제안한다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이 딥러닝 네트워크를 사용해 이전 프레임에서 추적하던 객체의 특징 정보를 추출하여 저장하고, 이후 프레임에서 새롭게 탐지된 객체의 특징 정보가 이전의 객체 특징 정보와 같다고 판단 될 경우 이 둘을 동일 객체로 매칭한다. 본 논문에서는 기존 Deep Sort 알고리즘의 객체 특징 정보 비교 과정을 변형하여 성능을 향상시키는 방법을 제안한다.
본 논문에서는 기존 객체 검출-추적 기반의 연쇄된 형태의 알고리즘에서 객체 검출 정도를 조절하여 추적 성능을 향상시키는 방법을 제안한다. 매 프레임마다 객체 검출을 수행하는 대신 3 개 프레임 간격으로 검출 빈도수를 조절하여 전체 추적기의 동작 시간을 실시간 처리가 가능하도록 개선하였고, 이전 프레임에서 탐지한 객체의 feature 정보 저장 기간을 늘려 오랜 프레임기간 폐색이 발생하여도 추적 정확성을 높이는 방안을 제안한다.

제안 방법

31 로 측정되었다. 두번째 실험은 탐지 프레임을 줄이고 추출된 특징 정보의 저장 기간을 늘려 성능을 평가하였다. 실험 결과, 제안한 방법이 정확도 성능에서 미세하게 높은 점수를 얻었고 속도 성능이 약 3 배정도 향상된 결과를 얻게 되었다.
본 논문에서는 기존 객체 검출-추적 기반의 연쇄된 형태의 알고리즘에서 객체 검출 정도를 조절하여 추적 성능을 향상시키는 방법을 제안한다. 매 프레임마다 객체 검출을 수행하는 대신 3 개 프레임 간격으로 검출 빈도수를 조절하여 전체 추적기의 동작 시간을 실시간 처리가 가능하도록 개선하였고, 이전 프레임에서 탐지한 객체의 feature 정보 저장 기간을 늘려 오랜 프레임기간 폐색이 발생하여도 추적 정확성을 높이는 방안을 제안한다.

데이터처리

본 실험에서는 객체 탐지기로 YOLO-v3 모델을 사용하여 다중 객체 탐지를 수행하였고 Deep Sort 알고리즘을 사용하여 다중 객체 추적 시스템을 구현하였다. 실험 데이터는 MOT16 을 사용하였고 MOT challenge benchmark 사이트에서 제공하는 다중 객체 추적 성능 평가 tool 을 사용하여 추적 정확도 성능을 평가하였다(그림 3).

이론/모형

본 실험에서는 객체 탐지기로 YOLO-v3 모델을 사용하여 다중 객체 탐지를 수행하였고 Deep Sort 알고리즘을 사용하여 다중 객체 추적 시스템을 구현하였다. 실험 데이터는 MOT16 을 사용하였고 MOT challenge benchmark 사이트에서 제공하는 다중 객체 추적 성능 평가 tool 을 사용하여 추적 정확도 성능을 평가하였다(그림 3).
첫번째 실험은 기존 YOLO-v3 모델과 기존 Deep Sort 알고리즘을 적용하여 실험하였다. 정확도는 평균 35.

성능/효과

두번째 실험은 탐지 프레임을 줄이고 추출된 특징 정보의 저장 기간을 늘려 성능을 평가하였다. 실험 결과, 제안한 방법이 정확도 성능에서 미세하게 높은 점수를 얻었고 속도 성능이 약 3 배정도 향상된 결과를 얻게 되었다. 즉 모든 프레임에서 객체 검출을 하지 않아도 추적기의 정확도가 떨어지지 않고 동작 속도가 크게 개선됨을 실험을 통해 확인하였다.
실험 결과, 제안한 방법이 정확도 성능에서 미세하게 높은 점수를 얻었고 속도 성능이 약 3 배정도 향상된 결과를 얻게 되었다. 즉 모든 프레임에서 객체 검출을 하지 않아도 추적기의 정확도가 떨어지지 않고 동작 속도가 크게 개선됨을 실험을 통해 확인하였다.

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

딥러닝 기반 실시간 다중 객체 추적 시스템
Deep Learning-based Real-Time Multi-object Tracking 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝 기반 실시간 다중 객체 추적 시스템 Deep Learning-based Real-Time Multi-object Tracking 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝 기반 실시간 다중 객체 추적 시스템
Deep Learning-based Real-Time Multi-object Tracking 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper