대학원생 3학기 10주차 후기 (Feat. 최적화 중간고사)

최적화 중간고사를 봤다.

전 달에 사전에 제공받았던 예상 문제 기반으로 나왔다.

4시부터 5시간 주어졌는데, 그것도 모자라서 1시간 더 시험 봤다.

물론 6시간도 모자르다. ^^

다음 기말고사 때는 좀더 철저하게 준비 해야겠다. ㅂㄷㅂㄷ

1. 컴퓨터 비전

다음 주에 과제3가 나온다. 매주 매 문제 하나씩 풀라고 하신다. 하하...

1) 온라인 강의

Motion Tracking에 대해 배웠다.
물체의 움직임을 추정하는 방법으로 Optical Flow를 사용하며, 대표적으로 Lucas-Kanade와 Horn-Schunck 알고리즘이 있다.

좁은 영역만 보고 움직임을 추정할 경우, Aperture Problem이 발생할 수 있다.

Visual Tracking은 시간의 흐름에 따라 물체를 지속적으로 추적하는 기술이다.

Lucas-Kanade Optical Flow를 적용하려면, 움직임을 잘 추적할 수 있는 좋은 특징점이 필요하다.

KLT 알고리즘은 Lucas-Kanade Optical Flow에 Tomasi의 좋은 특징점 추출 방법을 결합하여, feature point tracking에 효과적으로 사용된다.

또한, Mean Shift Tracking은 색상 히스토그램을 기반으로 유사한 영역을 찾는 방식이며, 이를 크기와 방향까지 적응하도록 확장한 것이 CamShift이다.

2) 실시간 수업

<FRoG-MOT: Fast and Robust Generic Multiple-Object Tracking by IoU and Motion-State Associations>

- MOT(Multi-Object Tracking)는 영상 내에서 여러 객체를 동시에 추적하는 기술임

- 기존의 MOT 알고리즘은 작은 움직임이나 형태 변화를 가정해, 급격한 변화나 예기치 못한 움직임에는 취약한 한계를 지님

- 본 논문에서는 다양한 객체와 급격한 동작 변화에도 연속적이고 강인한 추적이 가능한 범용 MOT 알고리즘, FRoG-MOT를 제안함.

- IoU와 motion-state 기반의 결합 방식으로, 추적 정확도와 안정성을 동시에 향상시킴

- 표준 MOT 및 일반 객체 추적 데이터셋에 대한 분석을 통해, 다양한 환경에서의 실시간 처리 가능성과 범용성을 입증함

- SAM 및 SAMURAI와 같은 딥러닝 기반 시각 추적 모델은 색, 모양, 위치, 시간 정보를 모두 사용함

- 따라서 기존의 전통적 추적 기법인 CamShift보다 Robust한 성능을 보임

- 본 논문에서는 제안하는 SAMURAI는 SAM 및 SAM2의 뒤를 잇는 개선된 모델임

- Segment Anything Model (SAM)에 모션 인지 메모리(Motion-Aware Memory)와 칼만 필터 기반 예측 모듈을 결합해 재학습 없이도 제로샷 환경에서 강력한 객체 추적 성능을 달성하는 방식임

- 구조적인 모션 정보를 효과적으로 반영해 불확실한 환경에서도 안정적인 시각 추적 성능을 실험을 통해 입증함

- 안정적인 자율주행을 위해서는 빠르고 정확한 detection이 필수적임

- 본 논문에서는 LiDAR 센서 기반의 DATMO 기법을 제안함

- Optical flow와 Extended Kalman Filer 기반으로 Ego Vehicle과 Target Vehicle 간 상대 속도가 클 때도 Target Vehicle에 대해 안정적인 감지 및 추적 성능을 보임

2. 최적화

10주차는 중간고사가 있어 수업이 없었다.

From the data