최근 딥러닝 기술의 발전에 따라, 많은 상용 비디오 감시 시스템이 우리의 삶을 더 똑똑하고 안전하게 만들기 위한 방법으로 인공지능(AI) 기반 비디오 분석 기술을 도입하고 있다. 그럼에도 불구하고, 높은 정확도와 낮은 계산 비용을 모두 고려하는 상용 서비스용 적절한 네트워크 모델을 갖춘 견고한 아키텍처는 아직 없다. 기존의 딥러닝 기술만으로는 현실 세계 장면의 역학을 모델링하고 표현하기에 충분하지 않아, 일반적인 모델을 사용하여 모든 환경을 만족시키기 어렵다. 다만, 오경보 및/또는 미탐 사례로부터의 적절한 학습 데이터는 이러한 한계를 해소할 수 있지만, 개인 데이터의 프라이버시와 관련된 법적 이슈 및 새로 유입되는 데이터의 예측 불가능성 때문에 해당 데이터가 거의 제공되지 않는다. 본 논문에서는 신뢰성 있는 객체 검출을 위한 새로운 종단 간(end-to-end) 하이브리드 비디오 감시 아키텍처를 제안하며, 이는 프론트엔드와 백엔드 지능으로 구성된다. 지능형 프론트엔드의 경우, 시스템의 확장성과 유연성을 고려하기 위해 Multi-scale ResBlock 방식을 적용한 새로운 객체 검출기를 제안한다. 또한 지능형 백엔드 아키텍처를 위해, 실시간 공간 및 맥락 정보를 이해함으로써 범용 모델을 각 카메라의 개별 개인 모델로 대체하기 위한 새로운 도메인 적응 방법도 개발 중이다. 이 과정은 새로운 유입 데이터와 기존 모델이 지속적으로 결합되어 반복적이고 연속적인 개선이 이루어지는 형태이다. 우리는 Chameleon 프로젝트라고 불리는 흥미로운 개념 증명(proof-of-concept) 시험을 포함하여 일련의 실험을 수행하였으며, 그 결과 새로운 아키텍처의 높은 정확도와 범용성을 입증함과 동시에 실제 구현에 적용 가능한 견고한 결과를 산출하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.