메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
고준호 (한양대학교) 김재겸 (한양대학교) 최준원 (한양대학교)
저널정보
한국자동차공학회 한국자동차공학회 춘계학술대회 2021 한국자동차공학회 춘계학술대회
발행연도
2021.6
수록면
520 - 523 (4page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
In this paper, we propose video object detection framework using object’s motion and spatio-temporal feature representation. This video object detection method, referred to as TM-VOD, aggregates visual feature maps extracted by convolutional neural network (CNN) backbone applying the gated attention scheme and spatial feature alignment. This spatiotemporal feature aggregation is performed in two stages. In the first stage, we fuse the visual feature maps via gated attention model in pixel-level. This enhanced aggregated feature map is exploited to produce more accurate region proposals than previous work. In the second stage, the aligned object features, extracted by temporal box offset calibration, are aggregated by weighting them according to the cosine similarity measure. We also represent the object’s motion in pixel-level and instance-level. In pixel-level, we extract the motion feature maps based on incremental changes between the adjacent visual feature maps to perform temporal box offset calibration. Next, we obtain instance-level motion feature map via GRU scheme and the feature map which represent the sequential changes of the box coordinates. Finally, we use all these features to produce detection results in current frame. The experiments conducted on the ImageNet VID dataset show that the proposed VOD-MT outperforms existing VOD methods.
#Deep learning (딥러닝) #Video object detection (비디오 물체 검출) #Object's motion (물체 움직임) #Spatiotemporal feature map (시공간 특징지도) #Box offset calibration (박스 움직임 조정)

목차

Abstract
1. 서론
2. TM-VOD
3. 실험
4. 결론
References

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0