심층 강화 학습을 이용한 온라인 학습 객체 추적기

Abstract

자율주행자동차(Self-driving Car) 및 ADAS(Advanced Driver Assistance System) 에 필요한 기술 중 인지(perception) 은 매우 중요한 부분이다 최근에는 ImageNet, COCO 등 대용량 데이터 셋과 CNN(Convolutional Neural Network) 의 발전으로 인해 물체 검출 또는 물체 추적과 같은 인지 성능이 엄청나게 향상 되었다. 하지만 물체 검출에 활용되는 고 해상도의 대량의 데이터 셋과 달리 물체 추적에 활용되는 연속된 비디오 데이터 셋은 크기와 질이 부족하여 상대적 성능이 좋지 않다 본 연구에서는 심층 강화 학습 방법을 적용한 물체 검출 방법으로 부족한 데이터 문제를 해결하고자 한다.

제안된 방법은 Raw RGB 데이터를 받아 물체의 bounding box의 이동 방향을 추정하는 모델로 각 프레임과 프레임 사이의 bounding box 다음 위치를 추정한다. 기존의 지도 학습(Supervised learning)을 이용한 연구 방법과 다르게 강화 학습을 이용하여 준 지도 학습(Semi-supervised Learning)으로 모델을 학습할 수 있게 한다. 이를 통해 부족한 데이터에 대해 효과적인 학습이 가능하다. 또한, 추적 문제를 class-agnostic하게 만드므로 추적 대상이 어떤 종류인지 관계없이 물체를 추적할 수 있게 만들어 위험한 임의의 대상을 피해야 하는 차량 분야에 더욱 적합하다 할 수 있다. 제안된 방법의 유효성을 검증하고자 연속된 비디오 데이터 benchmarks 인 VOT와 OTB-100의 사람과 차량의 데이터와 한국 도로 주행 데이터를 모아 검증하였다.