AI-Hub

데이터 변경이력

데이터 히스토리

소개

코로나19 확진자 동선 추적 등에 활용될 수 있는 멀티센서(네트워크로 연결된 CCTV) 환경에서의 특정 대상(사람)의 동선을 추적하는 인공지능 학습모델 개발 및 데이터셋 구축

구축목적

• CCTV를 활용하여 동선을 추적하는 방식은 영상을 모니터링 요원이 육안으로 검사하기 때문에 시간이 많이 소요될 뿐 아니라, 지하철, 버스 환승센터 등 공공 밀집 시설에서는 특정인의 동선 추적이 어려움
• 특정 1인에 대한 특징들을 미리 추출한 뒤 추적하는 기술이 있지만, 다중 카메라에서 특정 1인에 대한 추적이므로 감염병 확산을 방지하기 위한 다중 추적은 어려움
• 매우 중대한 사회문제인 코로나19 확진자 동선 추적 등의 사회 문제 해결을 위해 멀티센서를 활용한 동선추적 인공지능 모델 개발과 학습용 데이터셋이 필요

1. 데이터 구축 규모 및 학습모델 성과 목표

2. 데이터 분포

• 시나리오별 클래스 수량 분포
  
• 다양성 분포

  2. 데이터 분포 다양성 분포

  항목	지표	구분	결과(수량)	결과(비율)
  시간 분포	비율	오전	235,584장	8.02%
  		오후	2,703,667장	91.98%
  날씨 분포	비율	맑음	2,585,875장	87.98%
  		흐림	353,376장	12.02%
  성별 분포	비율	남성	199명	44.72%
  		여성	177명	39.78%
  		Unknown	69명	15.51%
  온도 분포	비율	여름	1,407,955장	47.90%
  		가을	1,531,296장	52.10%

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

1. 학습 모델 개요

• Multi-target Multi-Camera Tracking을 위해, Multi-target Single-Camera Tracking 기술과 Multi-Camera Tracklet Association 기술은 아래의 모식도처럼 융합
  

2. 학습 모델 개발 상세 방안

• 여러 대의 time snyc가 맞는 카메라가 있을 때 각각의 비디오 정보를 인풋으로 이용
• Multi-target Single-Camera Tracking 기술은 각각의 비디오 정보에 등장하는 객체의 tracjectorty들을 아웃풋으로 만듬
• 각 비디오의 객체 tracjectory를 카메라간 이어주기위해 Multi-Camera Tracklet Association 기술을 이용하여 연결

3. 사용 기술

• Multi-target Single-Camera Tracking 기술에는 QDTrack을 사용함.

4. 학습 모델 개발 조건

• Multi-Camera Tracklet Association(MTA) 기술은 다음의 세가지 실질적인 제약조건을   고려함. 
  • single-camera time constraint: 객체는 동시간, 동일 카메라에 여러 번 나타날 수 없음.
  • multi-camera time constraint: 객체는 view overlap 이 없는 서로 다른 카메라에 같은 시간대에 존재 할 수 없음.
  • homography constraint: view overlap 이 있는 카메라간의 homography를 이여 warping 했을 때 서로 겹치는 trajectory 는 동일 객체일 확률이 높음.

데이터 성능 점수

설명서 및 활용가이드 다운로드

데이터 예시

1. 원천 데이터: MP4

2. 가공 데이터: JSON

• 가공 유형: 바운딩 박스

3. 데이터 구성

• 라벨은 다음과 같이 구성되며, 항목별 타입과 필수여부 및 값 범위를 정의한다. 

  3. 데이터 구성

  구분			항목명	타입	필수여부	설명	범위	비고
  1			info	object		데이터셋정보
  	1–1		info[].mode	string	Y	데이터셋가공방식	interpolation
  	1–2		info[].video_name	string	Y	데이터셋영상이름
  	1–3		info[].video_width	number	Y	영상너비	1920
  	1–4		info[].video_height	number	Y	영상높이	1080
  2			frames	object		프레임정보
  	2–1		frames[].frame_id	string	Y	프레임식별자	“(\d{4})”
  3			objects	object		바운딩박스 좌표정보
  	3–1		objects[].label	string	Y	라벨링이름	[person, void, blackout]
  	3–2		objects[].type	string		라벨링종류	box
  	3–3		objects[].track_id	string		객체추적식별자	“(\d{3})”
  	3–4		objects[].occluded	string		객체 가림	[0,1]	0:온전함 1:가림
  	3–5		objects[].truncated	number		이미지 영역 바깥으로 객체 잘림	[0-1]	이미지 내 객체 영역이 보이는 비율
  	3–6		objects[].position[]	object		바운딩박스 좌표정보
  		3–6–1	objects[].outside[].x	number		바운딩박스 좌상단 x좌표
  		3–6–2	objects[].outside[].y	number		바운딩박스 좌상단 y좌표
  		3–6–3	objects[].outside[].width	number		바운딩박스 너비
  		3–6–4	objects[].outside[].height	number		바운딩박스 높이
  	3–7		objects[].attributes[]	object		객체 속성 정보
  		3–7–1	objects[].attributes[].pid	string		객체식별자	“(\d{3})”
  		3–7–2	objects[].attributes[].gender	string		객체성별	[male, female, unknown]

  ※ '항목명', '타입', '설명'은 필수 입력 대상이며, '필수여부'에 해당하는 항목의 경우, 반드시 'Y'로 표기한다.
  ※ 동일한 데이터 셋에 다수 개 스키마를 적용한 경우, 스키마 별로 라벨 구성요소를 작성한다. 

4. json

데이터셋 구축 담당자

수행기관(주관) : ㈜테스트웍스

수행기관(참여)

데이터 관련 문의처