Coarse-to-fine learning of pedestrian orientation using CNN representations based on spatial co-occurrence feature
| 000 | 00000nam c2200205 c 4500 | |
| 001 | 000045953598 | |
| 005 | 20230526133230 | |
| 007 | ta | |
| 008 | 180704s2018 ulkad bmAC 000c eng | |
| 040 | ▼a 211009 ▼c 211009 ▼d 211009 | |
| 041 | 0 | ▼a eng ▼b kor |
| 085 | ▼a 0510 ▼2 KDCP | |
| 090 | ▼a 0510 ▼b 6D36 ▼c 1079 | |
| 100 | 1 | ▼a 김성수 ▼g 金成秀 |
| 245 | 1 0 | ▼a Coarse-to-fine learning of pedestrian orientation using CNN representations based on spatial co-occurrence feature / ▼d Sung-soo Kim |
| 260 | ▼a Seoul : ▼b Graduate School, Korea University, ▼c 2018 | |
| 300 | ▼a v, 30장 : ▼b 천연색삽화, 도표 ; ▼c 26 cm | |
| 500 | ▼a 지도교수: 이성환 | |
| 502 | 0 | ▼a 학위논문(석사)-- ▼b 고려대학교 대학원, ▼c 컴퓨터·전파통신공학과, ▼d 2018. 8 |
| 504 | ▼a 참고문헌: 장 25-30 | |
| 530 | ▼a PDF 파일로도 이용가능; ▼c Requires PDF file reader(application/pdf) | |
| 653 | ▼a Orientation estimation ▼a Convolutional neural network ▼a Coarse-to-fine learning ▼a Advanced driver assistance system | |
| 776 | 0 | ▼t Coarse-to-Fine Learning of Pedestrian Orientation using CNN Representations based on Spatial Co-occurrence Feature ▼w (DCOLL211009)000000081705 |
| 900 | 1 0 | ▼a Kim, Sung-soo, ▼e 저 |
| 900 | 1 0 | ▼a 이성환, ▼g 李晟瑍, ▼d 1962-, ▼e 지도교수 ▼0 AUTH(211009)151678 |
| 945 | ▼a KLPA |
Electronic Information
| No. | Title | Service |
|---|---|---|
| 1 | Coarse-to-fine learning of pedestrian orientation using CNN representations based on spatial co-occurrence feature (17회 열람) |
View PDF Abstract Table of Contents |
Holdings Information
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Science & Engineering Library/Stacks(Thesis)/ | Call Number 0510 6D36 1079 | Accession No. 123059615 | Availability Available | Due Date | Make a Reservation | Service |
| No. 2 | Location Science & Engineering Library/Stacks(Thesis)/ | Call Number 0510 6D36 1079 | Accession No. 123059616 | Availability Available | Due Date | Make a Reservation | Service |
Contents information
Abstract
최근 자율 주행, 감시 시스템, 로봇 등의 다양한 분야에서 보행자 상태 추정의 중요성이 커지고 있다. 상태 중에서 보행자 방향은 주행 경로 및 의도와 연관이 있기 때문에 자율주행 분야에서 중요한 역할을 한다. 방향 추정은 동일한 방향에서의 큰 외관 변화와 다른 방향 간의 미세한 시각적인 차이 때문에 어려운 문제로 여겨진다. 게다가, 축에 의해 대칭되는 방향과 같은 다른 방향에서 유사하게 보이는 외관이 문제를 비선형적이고 어렵게 만든다. CNN 기반의 방법론을 포함하여, 이전의 연구들에서 이 문제들을 풀기 위해 많은 시도를 하였으나, 지능형 차량과 같이 움직임 의도에 대한 이해가 필요한 분야에 적용하기에는 성능이 낮기 때문에 여전히 해결되어야 할 문제로 남아있다. 본 논문에서는 연속적인 방향 추정을 위해서, 두 개의 스트림 구조를 기반으로하는 새로운 CNN 네트워크를 제안한다. 앞서 언급한 문제를 해결하기 위해, 네트워크는 동시 발생하는 공간적인 특징을 기반으로 한 CNN 표현들을 학습한다. 또한, 두 학습 단계로 구성된 Deep 네트워크 학습 전략을 적용한다. 정량적인 평가는 TUD multi-view 보행자 데이터셋에서 연속적인 방향 성능을 실험한다. 최신의 방법론들과 비교한 결과, 제안하는 방법론이 기존의 방법들에 비해 뛰어난 성능을 보임을 증명하였다.
Orientation estimation of pedestrians is an important issue in wide application domains for autonomous driving, surveillance and robotics. It is still a challenging problem due to the large appearance variation in a same orientation and the subtle visual difference between different orientations. Also, similar appearances between other orientations, such as right and left views and axisymmetric orientations, make this task highly non-linear and difficult. Recent studies including CNN-based methods have attempted to solve these problems. However, the performance is still far from satisfactory for application, especially intelligent vehicles that require an understanding of movement intention. In this paper, we propose a CNN architecture based on a two-stream structure for continuous orientation estimation. In order to address the aforementioned problems, the network learns CNN representations based on spatial co-occurrence feature. Also, we apply a learning strategy, coarse-to-fine learning approach that consists of two learning stages. We experiment continuous orientation performance on TUD multi-view pedestrians dataset and compare with state-of-the-art methods. It is proven that our method outperforms over other existing methods.
Table of Contents
1. Introduction 2 2. Related Works 5 3. The Proposed Method 8 3.1 Overview 8 3.2 CNN Representations based on Co-occurrence Feature 10 3.3 Coarse-to-Fine Learning 13 4. Experiments 16 4.1 TUD Multi-view Pedestrians Dataset 16 4.2 Implementation Details 18 4.3 Network Parameters Optimization 18 4.4 The Quantitative Evaluation with the State-of-the-art Methods 21 4.5 Qualitative Evaluation 21 5. Conclusions 24
