변분적 오토인코더와 외부 메모리를 이용한 실시간 객체추적
저자
발행사항
전주: 전북대학교 일반대학원, 2019
학위논문사항
학위논문(박사)-- 전북대학교 일반대학원: 전자·정보공학부(컴퓨터공학 전공) 2019. 8
발행연도
2019
작성언어
한국어
주제어
발행국(도시)
전북특별자치도
기타서명
(A) Real-Time Object Tracking Using Variational Auto-Encoder and External Memory
형태사항
ix, 92 p.: 삽화, 표; 26 cm
일반주기명
전북대학교 논문은 저작권에 의해 보호받습니다.
지도교수: 이준환
참고문헌 : p. 85-90
UCI식별코드
I804:45011-000000050226
소장기관
In this paper, we propose a robust object tracking algorithm for real-time tracking of video sequences. The proposed algo-rithm uses a convolutional variational auto-encoder (CVAE) to embed candidate and field into low-dimensional manifold space. After then update the external memory using embedded candi-date, and get a correlation map using Siamese network which is similarity between the external memory and the embedded field.
The generative model, CVAE, is superior to the variational auto-encoder in reducing dimensionality by projecting data into manifolds. This makes the object tracking algorithm robust to changes in the appearance of objects such as illumination varia-tion, deformation, and motion blur attributes. Since the external memory stores the feature information of the object over time, it strengthens the tracking in the environment where the past object information such as occlusion and out-of-view attributes. The Siamese network is a kind of deep-running algorithm that is often applied to object tracking and serves to measure the simi-larity of two inputs using a set of parameters.
Comparing the performance of the algorithms with the object tracking benchmark datasets, we found that the proposed algo-rithm is somewhat inferior to state-of-the-art algorithms. How-ever, the tracking speed of 51FPS is over 10 times more than the state-of-the-art algorithms. For measure the real-time per-formance, the proposed algorithm achieved a success rate of 0.527 in a real-time dataset. This proves that the real-time per-formance is superior because the state-of-the-art object track-ing algorithms ECO and MDNet are yielded success rate 0.516 and 0.414, respectively.
The proposed algorithm is a deep learning network which is trained by using general video sequences. CVAE, which is a component of the proposed algorithm, has a very suitable ability to project data with a limited domain–human face, vehicle, and livestock-into a manifold. Therefore, it is expected that the proposed object tracking algorithm will be retrained by using fine-tuning as a dataset corresponding to a specific field, and ap-plied to a specific field, so that it can be used as a specialized object tracking algorithm.
본 논문에서는 비디오 영상의 객체를 실시간으로 추적하기 위한 강건한 객체추적 알고리즘을 제안한다. 제안된 알고리즘은 합성곱 변분적 오토인코더(convolutional variational auto-encoder. CVAE) 를 이용하여 지원자(candidate)와 필드(field)를 저 차원의 다양체 (manifold) 공간에 임베딩 한다. 그런 다음 임베딩된 지원자를 이용하여 외부 메모리(external memory)를 갱신하고 샴 네트워크 (Siamese network)를 이용하여 외부 메모리와 임베딩된 필드의 유사도인 상관맵(correlation map)을 구하여 객체를 추적하는 방식이다.
생성자 모델인 CVAE는 합성곱 오토인코더보다 데이터를 다양체 공간에 투영하는 우수한 차원 축소능력을 가지고 있다. 이는 객체 추적 알고리즘을 조명 변화, 변형, 그리고 동작 흐림 속성과 같은 객체의 모양 변화에 강건하게 만든다. 외부 메모리는 시간에 따른 객체의 특징 정보를 저장하기 때문에 폐색, 화면이탈 속성과 같은 환경에서 강건한 객체 추적이 가능하다. 객체 추적에 자주 적용되는 딥러닝의 한 종류인 샴 네트워크는 한 쌍의 매개변수를 이용하여 두 입력의 유사도을 측정하는 역할을 한다.
객체추적 벤치마크(object tracking benchmark) 데이터 집합을 이용하여 알고리즘의 성능을 비교해본 결과, 제안된 알고리즘은 최신(state-of-the-art)의 객체추적 알고리즘에 비해 다소 낮은 성능을 보임을 확인하였다. 하지만 평균 객체추적 속도는 51FPS로 최신의 객체추적 알고리즘에 10배 이상 월등함을 알 수 있었다. 실시간성을 측정하기 위해 RT(real-time) 데이터 집합으로 추가실험을 한 결과 제안된 객체추적 알고리즘은 성공률 0.527의 결과를 내었다. 이는 최신의 객체 추적 알고리즘인 ECO와 MDNet의 각각의 성공률 0.516, 0.414 보다 높아 제안된 객체 추적 알고리즘의 실시간성이 우수함을 증명하였다.
제안된 알고리즘은 범용적인 비디오 데이터를 이용한 학습된 딥러닝 네트워크이다. 제안된 알고리즘의 구성 요소인 합성곱 변분적 오토인코더는 한정된 도메인을 가진 데이터–사람 얼굴, 자동차, 또는 가축-를 다양체 공간으로 투영 시키는데 매우 적합한 능력을 가지고 있다. 따라서 제안된 알고리즘을 특정분야에 해당하는 데이터 집합으로 미세조정 학습을 이용하여 재 학습시키고, 그 분야에 적용하면 특화된 강건한 객체추적 네트워크로 이용할 수 있을 것으로 기대된다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)