arXiv:1310.7170

Object Recognition System Design in Computer Vision: a Universal Approach

Andrew Gleibman

제출 2013-10-27

원문 초록

The first contribution of this paper is architecture of a multipurpose system, which delegates a range of object detection tasks to a classifier, applied in special grid positions of the tested image. The second contribution is Gray Level-Radius Co-occurrence Matrix, which describes local image texture and topology and, unlike common second order statistics methods, is robust to image resolution. The third contribution is a parametrically controlled automatic synthesis of unlimited number of numerical features for classification. The fourth contribution is a method of optimizing parameters C and gamma in LibSVM-based classifier, which is 20-100 times faster than the commonly applied method. The work is essentially experimental, with demonstration of various methods for definition of objects of interest in images and video sequences.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.23450v1cs.CV공통 태그 Object Detection, Object Recognition

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:2607.21243v1cs.CV공통 태그 object-detection, Object Detection

탐지기는 잘못된 것을 학습한다: 물리적으로 실현 가능한 공격에 대항하는 단축 경로 저항적 적대적 학습

Detectors Learn the Wrong Thing: Shortcut-Resistant Adversarial Training Against Physically Realizable Attacks

AI 기반 시각 지각 시스템이 지능형 교통 인프라 및 자율주행 차량 관련 응용에 점점 더 배치되고 있다. 그러나 물리적으로 실현 가능한 적대적 외형은 이러한 안전성(safety)에 중요한 시스템에 상당한 신뢰성 과제를 제기한다. 적대적 학습(adversarial training)은 효과적이지만, 적대적 텍스처와 양성 person 인스턴스 간의 반복적 공발생은 탐지기가 텍스처 자체를 객체 존재의 증거로 취급하게 만들어 패치 텍스처 단축 경로(shortcut)를 형성할 수 있다. 탐지기는 그러면 텍스처를 대상에 대한 증거로 취급하여, 텍스처만 있는 입력에서 오탐을 유발하고 교차 공격 일반화를 약화시킬 수 있다. 우리는 탐지기가 적대적 텍스처를 독립적인 판단 단서로 사용하는 것을 방지하는 인스턴스 수준 대조(contrastive) 적대적 학습 프레임워크인 InsCAT를 제안한다. SICA는 적대적 person 특징(feature)을 대응하는 clean 특징과 정렬하고 텍스처만 있는 음성(negative) 샘플과 분리하며, ROPO와 Guard는 온라인 공격 압력을 유지하고 학습을 조율한다. 렌더링된 nuScenes, INRIAPerson, 인쇄 의류, 세 가지 탐지기 계열에서 독립적으로 생성된 8개의 공격 텍스처를 평가한다. InsCAT은 렌더링된 nuScenes에서 평균 공격 AP 82.3%를 달성하여, 가장 강한 기준선보다 11.1포인트 높다. AT-Mix 대비 텍스처 FPR은 46.9%에서 7.3%로 감소한다. 물리적 테스트는 F1 점수 96.6%와 FPR 1.8%를 산출한다. 별도로 학습된 탐지기에서의 일관된 성능 향상은 직접 추론으로 아키텍처 전반에 걸친 적용 가능성을 보여준다. 결과는 견고한(robust) 물리적 탐지가 대상 관련 증거를 보존하면서 적대적 텍스처가 독립적인 판단 단서가 되는 것을 방지하는 데 달려 있음을 보여준다.

arXiv:2607.13830v2cs.RO공통 태그 Object Detection, Object Recognition

재귀 ArUco 마커: 무인항공기 착륙 패드를 위한 확장 가능한 피듀셜 마커 설계

Recursive ArUco Markers: A Scalable Fiducial Marker Design for Unmanned Aerial Vehicle Landing Pads

무인항공기(UAV)는 자율 항법 및 정밀 착륙을 위해 시각적 피듀셜 마커(fiducial marker)에 점점 더 의존하고 있다. 그러나 표준 마커는 운용 거리가 제한적이라, 카메라가 너무 멀거나 너무 가까울 때 탐지되지 않는다. 재귀 및 프랙탈(fractal) 마커가 이 문제를 해결하기 위해 제안되었지만, 기존 접근법은 마커의 중심이 계속 보여야 하여 가려짐(occlusion)에 취약하거나, 재귀 깊이와 배치에 제한이 있다. 우리는 새로운 재귀 ArUco 마커 설계를 제안한다. 우리 방법은 임의의 깊이를 갖는 재귀 마커로 어떤 표준 피듀셜 마커든 변환할 수 있게 한다. 탐지 시 수정된 비트 샘플링(bit-sampling) 전략을 사용하여, 부모 마커의 검은색과 흰색 비트 모두에 완전한 마커를 내장한다. 이 접근법은 마커의 중심이 보이는 것에 의존하지 않으므로, 부분적 가림이 있어도 무제한 재귀 깊이와 견고한 탐지를 보장한다. 또한 모든 재귀 스케일에서 단일 고유 식별자를 유지함으로써, 본 제안은 다수의 고유 착륙 패드를 포괄하는 광범위한 사전(dictionary)을 제공한다. 이 기능은 각 드론이 지정된 위치에 착륙하면서 UAV 무리가 동시에 운용되도록 하며, 이는 구조적 및 사전 제약으로 인해 기존 Fractal 및 Harco 마커가 지원하지 않는 기능이다.

arXiv:2607.12352v1cs.CV공통 태그 Object Detection, Object Recognition

데이터 준비를 위한 저품질 이미지 필터링

Filtering-out poor-quality images for data preparation

노이즈 필터링은 객체 분할, 검출, 인식과 같은 응용에서 이미지 품질을 향상시키는 데이터 준비의 기본적인 부분이다. 문헌에는 중간값, 가우시안, 양방향 필터 사용 등 다양한 노이즈 감소 기법이 제안되어 있다. 합성곱 신경망(CNN)은 데이터로부터 복잡한 패턴과 특징을 추출하는 능력 때문에 이미지 노이즈 제거에서 인기를 얻었다. CNN은 적응성이 높아 다양한 이미지 노이즈 제거 작업에 효과적인 도구이다. CNN 기반 기법의 단점 중 하나는 적절한 학습 데이터셋과 모든 이미지의 크기 조정이 필요하다는 것이다. 이러한 모든 필터링 기법의 또 다른 주목할 만한 단점은 특정 유형의 환경 및 카메라 노이즈에만 작동한다는 것이다. 이 연구 공백을 메우기 위해, 본 논문에서는 최초로 노이즈 제거 대신 다양한 환경 및 카메라 영향에 대한 저품질 이미지를 걸러내는 접근법을 제안한다. 우리의 접근법에서는 이미지 품질 평가(image quality assessment) 지표를 사용하여 품질을 평가하고, 최적 임계값을 사용하여 저품질 이미지를 걸러낸다. 또한 심층 학습(DL) 모델을 개발하기 위해 충분한 수의 이미지가 남도록 보장한다. 실제 및 시뮬레이션 교통 및 객체 인식 데이터를 사용한 결과는 제안 접근법이 최신(state-of-the-art) 접근법과 비교하여 성능 우위를 보여준다. 제안 접근법의 평균 인식 정확도는 교통 표지판 인식 데이터셋에서 93.8%, 객체 인식 데이터셋에서 84.9%이다. 이는 자율 주행 차량과 같은 실생활 응용에서 우리 모델의 잠재력을 나타낸다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.