컨볼루션 신경망을 사용한 영상 객체 추적에서 경계 박스분할을 통한 효과적인 온라인 학습 알고리듬 (A Effective Online Training Algorithm by Partitioning Bounding Box for Visual Object Tracking Using Convolutional Neural Network)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 42권 / 6호 / 1117 ~ 1128페이지
· 저자명 : 김인성, 황선영

초록

본 논문은 영상객체추적 분야에서 경계 박스 재조정을 통하여 CNN을 위한 효율적인 온라인 학습 알고리듬을제안한다. 제안된 알고리듬은 경계 박스 재조정을 위하여 분할된 경계 박스들을 이용한다. 이를 통해 영상 전반에걸쳐 경계 박스의 크기가 거의 변하지 않는 이전 연구와 다르게, 제안된 알고리듬은 경계 박스의 크기를 재조정하여 효율성을 향상하였다. 제안된 알고리듬은 3가지 판별기로 구성된다. 앞단 분류기는 이전 프레임 경계 박스의전체 특징을 이용하여 목표 객체를 추적하고, 뒷단 두 분류기들은 첫 번째 판별기로부터 얻어진 평가 점수가 정해진 임계 점수보다 작거나, 정해진 프레임 수를 처리 했을 때 경계박스를 재조정한다. 앞단 분류기를 위한 학습 데이터들은 단순히 이전 결과로부터 추출하고, 뒷단 분류기를 위한 학습 데이터들은 이전 결과를 분할하여 추출한다.
영상을 추적할 때 제안된 알고리듬은 경계 박스 재조정을 통하여 이전 알고리듬보다 정확한 결과와 다양한 크기의 학습 데이터를 만들 수 있다. 실험 결과 기존 연구들과 비교 했을 때, 성공률 평가 방법은 3%, 정확성 평가방법은 5%의 성능 향상을 보인다.

영어초록

This paper proposes an effective online training algorithm which resizes bounding box for visual object tracking in Convolutional Neural Network (CNN). The proposed algorithm employs partitioned bounding boxes for resizing bounding box. Compared to previous algorithm where bounding box size is rarely changed, the proposed algorithm improves the efficiency in object tracking by resizing the size of bounding boxes. The proposed algorithm is composed of three classifiers; The front-end classifier is for tracking target object by using the entire feature of previous bounding box, and the other two back-end classifiers are for resizing bounding box when the score acquired by the first classifier is lower than threshold or the number of frame exceeds a determined number. Training data for front-end classifier are extracted from previous raw result, and training data for back-end classifiers king a target in a sequence, the proposed algorithm makes more accurate result and training data of various sizes than previous algorithm by resizing bounding box. Experimental results show that the success rate and the precision for visual object tracking are improved by 3% and 5%, respectively, when compared with previous works.

참고자료

· 없음