쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 5일 (목)까지 3984건
4건 · "객체 추적"조건 지우기 ×
001 21:11 ▲ 26 · 댓글 9 단일 영상의 3D 추적, '궤적 수리'로 개선하다 단일 카메라 영상에서 밀집된 3D 추적은 시간에 따른 점 대응, 깊이 추정, 폐색 중 궤적 추론이 필요한데 기존 방법들은 4D 감독 데이터 부족 속에서 이 모든 작업을 함께 학습해야 한다. AI · 머신러닝 · ReLift: Dense 3D Tracking as Lifted Trajectory Repair
Key Point 기존 2D 추적과 3D 기하 정보를 활용해 3D 추적 정확도를 높이는 새로운 접근법으로, 앞으로 나올 추적기나 기하 모델 개선의 이득을 자동으로 누릴 수 있는 구조입니다.
핵심 요약
단일 카메라 영상에서 밀집된 3D 추적은 시간에 따른 점 대응, 깊이 추정, 폐색 중 궤적 추론이 필요한데 기존 방법들은 4D 감독 데이터 부족 속에서 이 모든 작업을 함께 학습해야 한다. 기존 2D 추적기와 3D 기하학 모델만으로도 폐색 부분을 단순 보간한 '들어올린 궤적'이 전용 3D 추적기 수준의 성능을 낸다. 하지만 이 방식은 대응과 깊이 오차를 상속받으며, 폐색 영역에서 깊이값이 가려진 물체에서 나오는 문제가 있다. 전체 요약 7문장 읽기 → 002 18:11 ▲ 11 · 댓글 1 자율주행 카메라 영상으로 3D 인식·재구성 일괄 처리 Foundation4D Foundation4D는 다중 카메라 주행 영상으로부터 깊이 추정, 3D 객체 감지, 의미론적 점유격자(occupancy), 가우시안 재구성을 모두 수행하는 통합 신경망 모델이다. AI · 머신러닝 · Foundation4D: Towards a unified perception and reconstruction model for autonomous vehicles
Key Point 자율주행 단일 모델로 깊이·객체감지·공간점유까지 동시에 처리하고 이를 장면 재구성까지 연결하는 통합 파이프라인이 등장했으며, 라이다 없이도 상용 벤치마크에서 경쟁 방식을 앞도는 성능을 보였다.
핵심 요약
Foundation4D는 다중 카메라 주행 영상으로부터 깊이 추정, 3D 객체 감지, 의미론적 점유격자(occupancy), 가우시안 재구성을 모두 수행하는 통합 신경망 모델이다. 공유 백본은 인수분해 시공간 어텐션(factorized spatiotemporal attention)으로 여러 카메라의 관측값과 시간 정보를 효율적으로 결합한다. 비디오 추론 파이프라인은 포즈 그래프 최적화로 카메라 궤적을 개선하고 입력 윈도우 전체에서 객체 추적을 조합한다. 전체 요약 7문장 읽기 → 003 00:11 ▲ 32 · 댓글 1 레이더로 동적 주행 장면 재구성, DyRAD 논문 발표 자율주행 시스템 평가를 위해 레이더 센서 데이터에서 동적 주행 장면을 재구성하는 새로운 방법 DyRAD를 제시한다. AI · 머신러닝 · DyRAD: Radar Novel View Synthesis for Dynamic Driving Scenes
Key Point 레이더의 도플러 정보를 완전히 활용한 첫 동적 장면 재구성으로, 자율주행 시뮬레이션 평가와 센서 다중화 문제를 동시에 푼 기술적 진전이다.
핵심 요약
자율주행 시스템 평가를 위해 레이더 센서 데이터에서 동적 주행 장면을 재구성하는 새로운 방법 DyRAD를 제시한다. 기존 레이더 신규 시점 합성 방법은 동적 장면에서는 range-azimuth 텐서만 복원하고, 도플러를 렌더링하는 방법은 정적 장면만 가정해 두 가지 한계가 있었다. DyRAD는 정적 배경 반사체와 움직임 추적 동적 점 반사체를 사용해 range-azimuth-Doppler(RAD) 완전 텐서를 렌더링한다. 전체 요약 8문장 읽기 → 004 12:11 ▲ 72 · 댓글 1 장시간 영상의 객체 추적, 생애 기반 메모리로 풀다 수시간 또는 수일 길이의 영상에서 질문에 답하려면 같은 객체가 관여한 사건들을 시간 범위를 넘어 연결해야 한다. AI · 머신러닝 · Beyond the Timeline: Augmenting Long-Video Memory with Grounded Entity Biographies
Key Point 장시간 영상에서 같은 객체가 여러 사건에 걸쳐 나타날 때 시각적 정체성을 추적하는 문제를 푸는 새로운 접근법이 공개되었으며, 이는 비디오 이해 AI의 실용성을 크게 높인다.
핵심 요약
수시간 또는 수일 길이의 영상에서 질문에 답하려면 같은 객체가 관여한 사건들을 시간 범위를 넘어 연결해야 한다. 기존 시간 기반 설명이나 텍스트 기반 개체는 물리적 정체성을 구분하지 못해, 같은 객체의 관찰이 사건들 사이에 연결되지 않는 문제가 있다. 연구팀은 Grounded Entity Biographies(GEB)라는 긴 영상 메모리 프레임워크를 제안했다. 전체 요약 8문장 읽기 → 
