PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23450v1cs.CV

방송 스누커 큐볼 식별을 위한 규칙 제약 할당

Rule-Constrained Assignment for Cue-Ball Identification in Broadcast Snooker

정확한 큐볼 식별은 방송 스누커의 계량(metric) 분석에 필수적이다. 기존 시스템은 고정된 흰색 프로토타입에 대해 각 후보를 독립적으로 평가하고, 외관 임계값을 초과하는 후보를 배제한다. 방송 환경에서는 조명 변화로 유색 공이 흰색처럼 보일 수 있으며, 선수와 장비의 침입이 큐볼을 가리거나 경쟁 후보를 유발할 수 있다. 우리는 큐볼 식별을 규칙 제약 할당 문제로 formulation하여, 탐지된 후보를 한정된 스누커 인벤토리—큐볼 1개, 최대 15개의 레드, 알려진 위치의 6색 공—에 공동으로 할당한다. 큐볼은 각 후보를 흰색 슬롯에 할당할 때의 증분(incremental) 비용으로 선택되며, 기존의 외관 검사는 단일 슬롯 경우에 해당한다. 수작업 주석 419샷에서 본 방법은 식별 정확도를 88.1%에서 95.5%로, 홀드아웃(hold-out) 경기장에서는 80.5%에서 95.2%로 향상시킨다. 계량 상태 복구 시스템 CueLift 내에서 할당은 6,241개의 득점 가능 샷에 대해 커버리지를 36.2%에서 55.4%로 확대한다. 2,529샷에 대한 별도 평가에서 모든 샷에 추정치를 할당해도 이 이점이 유지된다.

arXiv:2609.22291v1cs.CV

서베이를 넘어서: 시각적 다중 객체 추적에서 검출과 연관에 대한 체계적 실증 연구

Beyond the Survey: A Systematic Empirical Study of Detection and Association in Visual MOT

본 논문은 최신 다중 객체 추적(MOT) 알고리즘에 대한 포괄적인 실험적 평가와 상세한 분석을 제시하며, 전체 추적 성능에 대한 검출(detection) 및 연관(association) 구성 요소의 개별 기여도를 정량화하는 데 중점을 둡니다. 주로 추적 방법론의 이론적 분류나 체계를 제공하는 기존 서베이와 달리, 본 연구는 공개된 구현체에 기반한 엄격한 실험적 관점을 채택하여 연구자와 실무자에게 방법론 선택 및 시스템 설계를 위한 실질적인 지침을 제공합니다. 우리는 시각적 다중 객체 추적의 두 주요 갈래인 검출 기반 추적(tracking-by-detection)과 엔드투엔드 심층 학습 패러다임 전반의 핵심 구성 요소를 통합하는 일원화된 파이프라인 다이어그램을 도입하고, 객체 검출, 특징 추출, 데이터 연관 모듈을 체계적으로 분석합니다. MOT16, MOT17, MOT20, SportsMOT, DanceTrack, CrowdTrack 데이터셋을 포함한 표준 벤치마크에 대한 광범위한 실증 연구를 통해 다음과 같은 중요한 통찰을 밝혀냅니다: (1) 검출 품질이 연관 전략의 성능을 지배하며, 검출기 개선은 10% 이상의 이득을 가져오는 반면 정교화된 연관 전략을 통한 이득은 5% 미만에 그칩니다. (2) 특화된 재식별(re-identification) 모델과 결합된 현대적 심층 학습 검출기가 공동 검출 및 임베딩(joint detection and embedding) 접근법보다 유의미하게 우수한 성능을 보입니다. (3) 트랜스포머 기반 엔드투엔드 방식은 검출 품질 변화에 대해 더 큰 견고성(robustness)을 나타내지만 상당한 연산 비용이 수반됩니다. 광범위한 실험을 통해 도출된 우리의 연구 결과는 MOT에서 구성 요소 수준의 영향, 특히 연관 대비 검출 품질의 지배적인 영향에 대한 핵심적인 통찰을 제공하는 동시에 다양한 성능 및 견고성 요구 사항 하에서 MOT 시스템을 설계하고 최적화하기 위한 실질적인 통찰을 제시합니다. 코드와 실험 환경은 github.com/linh-gist/VisualMOT에서 확인할 수 있습니다.

arXiv:2607.06023v2cs.CV

심층 학습은 Visual SLAM을 왜 개선하는가?

Why does Deep Learning Improve Visual SLAM?

Visual SLAM은 다양한 실세계 응용에서 널리 쓰이는 잘 정립된 기술이다. 그러나 저텍스처, 심각한 모션 블러, 조명 불량과 같은 어려운 시각 조건에서는 성능이 여전히 저하된다. 심층 학습 기반 시스템은 기하학 기반의 고전적 방법보다 우수하며, 학습된 2D 데이터 연관(data association)과 불확실성(uncertainty)을 순환(recurrent) 아키텍처 안에서 미분 가능한 기하 최적화와 결합함으로써 최신(state-of-the-art) 결과를 달성한다. 그럼에도 이러한 성공에 근본적으로 기여하는 구성 요소가 정확히 무엇인지는 여전히 불분명하다. 본 논문에서는 다음을 묻는다: 심층 학습 기반 시스템의 우수한 성능은 주로 학습된 2D 데이터 연관, 학습된 2D 데이터 연관과 불확실성의 결합, 아니면 순환 아키텍처 자체에 의해 이끌리는가? 우리는 통제된 연구를 통해 이 질문을 실증적으로 조사한다. 결과는 DL 기반 V-SLAM 시스템의 성공이 순환 아키텍처보다는 학습된 2D 데이터 연관과 불확실성에 달려 있음을 보여 주며, 이러한 구성 요소 설계에 학습 기반 패러다임이 필요함을 강조한다.