PyTorchKR Papers

업데이트된 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2412.05331v5cs.CV

스마트 감시: 동적 장면 분석, 객체 검출, 움직임 추적을 위한 딥러닝 및 하이브리드 접근법

Smart Surveillance: Deep Learning and Hybrid Approaches for Dynamic Scene Analysis, Object Detection and Motion Tracking

이벤트 트리거 녹화는 감시 카메라가 저장해야 하는 영상 분량을 줄이지만, 트리거가 유휴 영상을 얼마나 보존할지, 얼마나 많은 이벤트를 놓칠지, 계산을 얼마나 소비할지를 결정한다. 우리는 하나의 녹화 정책 아래에서 여섯 가지 움직임 트리거(프레임 차분, 밀집 광류, MOG2, KNN, CNT, GSOC), CNN 검출기, 스트라이드 검출, 그리고 세 가지 움직임 게이트 하이브리드를 비교한다. 이는 정적 카메라 장면 7개(5,800 프레임, 주석이 달린 이벤트 27개)로 구성된 벤치마크에서 수행하며, 임계값은 한 영상씩 제외하는 방식(leave-one-video-out)으로 보지 못한 장면에 전이한다. 검출기 기반 트리거는 유휴 프레임의 19-28%를 저장한 반면 움직임 트리거는 36-89%를 저장했다. 시뮬레이션된 카메라 흔들림 하에서 프레임 차분, 광류, MOG2, KNN은 유휴 프레임의 97-100%를 저장했으나 검출기 트리거는 29% 미만을 유지했다. 8프레임마다 검출기를 실행하면 프레임당 CPU 9.8 ms로 이벤트 프레임의 99.7%를 유지했으며, 이는 배경 제거로 게이팅하는 것보다 저렴하고 더 강건했다. VisDrone에서 YOLO11n의 입력을 640에서 1280 px로 높이자 AP가 15.5에서 26.8로 상승하여 더 큰 모델을 쓰는 것보다 효과가 컸고, INT8 양자화는 AP 0.3 손실로 지연 시간을 17% 줄였다. 추적에서는 트랙 메모리를 늘리면 IDF1이 70.5에서 76.7로 상승했지만, 연관이 아닌 검출이 실패했기 때문에 모든 추적기가 겹친 사람의 39-44%만 복구했다.