arXiv:2110.15171

Privacy Aware Person Detection in Surveillance Data

Sander De Coninck, Sam Leroux, Pieter Simoens

제출 2021-10-28

원문 초록

Crowd management relies on inspection of surveillance video either by operators or by object detection models. These models are large, making it difficult to deploy them on resource constrained edge hardware. Instead, the computations are often offloaded to a (third party) cloud platform. While crowd management may be a legitimate application, transferring video from the camera to remote infrastructure may open the door for extracting additional information that are infringements of privacy, like person tracking or face recognition. In this paper, we use adversarial training to obtain a lightweight obfuscator that transforms video frames to only retain the necessary information for person detection. Importantly, the obfuscated data can be processed by publicly available object detectors without retraining and without significant loss of accuracy.

함께 살펴볼 논문

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

arXiv:2609.25500v2cs.CV공통 태그 Object Detection, Management

mbariml: 심해 영상 및 비디오를 객체 검출 학습 데이터로 변환하기 위한 큐레이션 파이프라인

mbariml: a curation pipeline for turning deep-sea imagery and video into object-detection training data

학습(training) 데이터의 양과 질은 모델 아키텍처와 관계없이 객체 검출(object detection) 모델의 성능에 큰 영향을 미칩니다. 관심 대상(주로 생물)이 희소하고 희미하며 식별하기 어려운 심해 비디오 및 영상에서의 객체 검출의 경우, 검출기 성능의 점진적인 개선을 위해 데이터 라벨링 및 관리에 대한 반복적인 접근 방식이 필요할 수 있습니다. 본 논문에서는 데이터 라벨링 및 관리 프로세스를 중심으로 구축된 파이썬(Python) 기반 비디오 및 영상 분석 파이프라인인 mbariml을 소개합니다. mbariml은 Ultralytics YOLO 검출 모델을 사용하여 정지 영상이나 비디오에서 모델을 실행하고, 모든 검출 결과를 검토 가능한 관심 영역(ROI)으로 저장하며, 시각적 유사도에 따라 이러한 영역들을 그룹화하여 작업자가 일괄 수락 또는 거부할 수 있도록 한 뒤 결과를 학습 데이터, 통계, 영상 사이드카(sidecar) 및 추가 메타데이터로 내보냅니다. 기존 YOLO 및 Pascal VOC 데이터셋을 동일한 데이터베이스로 가져올 수 있으므로, 기존 레거시 학습 세트를 새로운 검출 결과와 함께 검토, 확장 및 재내보내기할 수 있습니다. 인간 검토 단계는 이 설계의 핵심입니다. 어노테이터는 SAM3 분할(segmentation) 모델의 보조를 선택적으로 받아 완전히 새로운 위치 지정을 검증, 재라벨링, 크기 조정, 삭제 및 직접 그릴 수 있으며, 이러한 모든 편집 내용은 검출기가 기록했던 것과 동일한 데이터베이스에 다시 기록됩니다. 비디오는 특히 많은 주목을 받는데, 소프트웨어는 트래커가 생성한 각 트랙(track)을 임시 관측치로 취급하고 트랙 내의 모든 검출 결과를 유지하는 대신 하나의 대표 프레임을 선택합니다. 우리는 해저 비디오의 684개 트랙에서 검토한 각 트랙의 대표 프레임 선정 방식(사용자가 선택한 트랙의 3분의 1 지점, 기본값은 중간)을 포함하여 파이프라인을 단계별로 설명합니다.

arXiv:2609.22750v1cs.CV공통 태그 Object Detection, Face Recognition

견고한 강의실 출석을 향하여: 얼굴 검출 및 인식 모델의 종합 평가

Towards Robust Classroom Attendance: A Comprehensive Evaluation of Face Detection and Recognition Models

수기 출석 방식(종이나 명부 기반 시스템 등)은 시간이 많이 걸리고, 오류를 유발할 수 있으며, 위조하기 쉽다. 얼굴 인식은 더 신뢰할 수 있지만, 조명 및 기타 조건이 달라질 수 있는 강의실 환경에서는 자주 어려움을 겪는다. 얼굴 인식 데이터셋은 통제된 환경을 위해 설계되어 강의실에서 실제로 마주치는 어려움을 반영하지 못한다. 이를 해결하기 위해 얼굴 검출 및 인식 작업을 위해 16,234개의 얼굴 샘플로 구성된 새로운 얼굴 검출 및 인식 데이터셋인 Visage Face 데이터셋을 제안한다. 사진은 다양한 각도와 조명 조건에서 촬영되었으며, 학생들이 다양한 표정을 보이고 일부 얼굴은 실제 상황을 반영하기 위해 부분적으로 가려져 있다. YOLO 기반 시스템으로 얼굴을 검출하고, LVFace, QCFace, FaceLiVTv2, TopoFR, EdgeFace, TransFace, GhostFaceNets 등 7개의 고급 얼굴 인식 모델을 13가지 구성으로 테스트하였다. 이 중 FaceLiVTv2-M이 Top-1/Top-5 정확도 99.75%와 추론 시간 6.459 ms로 최고 성능을 보였다. 이러한 결과는 Visage Face Dataset이 강의실 출석을 위한 얼굴 인식에 있어 현실적이고 도전적인 벤치마크임을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.