arXiv:1901.05742

A Temporal Attentive Approach for Video-Based Pedestrian Attribute Recognition

Zhiyuan Chen, Annan Li, Yunhong Wang

제출 2019-01-17

원문 초록

In this paper, we first tackle the problem of pedestrian attribute recognition by video-based approach. The challenge mainly lies in spatial and temporal modeling and how to integrating them for effective and dynamic pedestrian representation. To solve this problem, a novel multi-task model based on the conventional neural network and temporal attention strategy is proposed. Since publicly available dataset is rare, two new large-scale video datasets with expanded attribute definition are presented, on which the effectiveness of both video-based pedestrian attribute recognition methods and the proposed new network architecture is well demonstrated. The two datasets are published on http://irip.buaa.edu.cn/mars_duke_attributes/index.html.

함께 살펴볼 논문

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

arXiv:2606.21200v1cs.CV공통 태그 Attribute, Pedestrian Attribute Recognition

YOLOv8과 ResNet18을 이용한 실시간 보행자 속성 인식

Real-time pedestrian attribute recognition with YOLOv8 and ResNet18

보행자 속성 인식(PAR)은 검출된 보행자에 의미적 레이블을 부여하며, 감시, 영상 검색, 인간 중심 그래픽스 응용에 유용하다. 본 논문은 YOLOv8n이 보행자를 검출하고 ResNet18 기반 모델이 성별을 분류하며, 외관상 나이(apparent age)를 추정하고, 각 보행자 crop에서 61개의 이진 속성을 예측하는 2단계 프레임워크를 제시한다. PETA와 PA-100K는 의미적 속성 매핑(semantic attribute mapping)을 통해 결합되어, PETA 속성 공간을 유지하면서 10만 장 이상의 보행자 이미지로 구성된 통합 학습 말뭉치를 만든다. 보고된 테스트 분할에서 시스템은 99.89%의 성별 분류 정확도, 4.23년의 외관상 나이 평균 절대 오차, 89.96%의 다중 속성 정확도, 36.32% macro F1-score, 58.80% micro F1-score를 달성한다. 런타임 측정 결과 NVIDIA RTX 5060 GPU에서 25-30 FPS를 보인다. 결과는 경량 검출기-분류기 파이프라인이 실시간 PAR을 지원할 수 있음을 보여 주며, 낮은 macro F1은 희귀 속성이 여전히 어려움을 나타낸다.

arXiv:2506.23921v5cs.CL공통 태그 Attribute공식 코드 · Papers with Code

대규모 언어 모델에서 진실의 트릴레마

The Trilemma of Truth in Large Language Models

일반 대중은 대규모 언어 모델(LLM)에 인간과 유사한 특성을 부여하며, LLM이 특정 정보를 '알고' 있다고 가정하는 경우가 많다. 실제로 LLM은 학습 중 보존된 정보를 내부적 확률적 지식으로 인코딩한다. 본 연구는 해당 지식의 진위를 탐칭(probing)하는 기존 방법들을 검토하고, 세 가지 결함 있는 근본 가정을 밝힌다. 이러한 결함을 해결하기 위해, 다중 인스턴스 학습(MIL)과 conformal prediction을 결합한 다중 클래스 탐칭 프레임워크인 sAwMIL(Sparse-Aware Multiple-Instance Learning)을 제안한다. sAwMIL은 LLM의 내부 표현(representation)을 활용하여 진술을 참, 거짓, 또는 둘 다 아님으로 분류한다. 우리는 새롭게 구축한 세 개의 데이터셋을 사용하여, 기본형 및 채팅 기반 변형을 포함한 16개의 오픈소스 LLM에 대해 sAwMIL을 평가한다. 결과는 (1) 일반적인 탐칭 방법은 신뢰할 수 있고 전이 가능한(transferable) 진위 방향을 제공하지 못하며, 일부 설정에서는 제로샷(zero-shot) 프롬프팅(prompting)보다 성능이 낮음을, (2) 진실과 거짓은 대칭적으로 인코딩되지 않음을, (3) LLM이 참과 거짓 모두와 구별되는 제3의 유형의 신호를 인코딩함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.