자전거 모니터링 시스템을 위한 최적의 어노테이션 전략: 'Cyclist' 통합 클래스 vs 'Person+Bicycle' 분리

대체로 작성자의 'Cyclist' 통합 클래스 전략에 동의하며, 실무적인 관점에서 추적 성능 향상을 위한 조언이 공유되었다.

• 객체 추적(Tracking) 로직을 단순화하려면 'Cyclist' 단일 클래스로 시작하는 것을 권장한다.
• 무료이면서 강력한 기능을 가진 라벨링 도구로 CVAT(Computer Vision Annotation Tool)을 활용하면 영상 데이터 어노테이션 시간을 단축할 수 있다.

바운딩 박스(Bounding Box)

— 이미지 내에서 특정 객체의 위치를 사각형 형태로 구획하여 표시하는 기법이다. 객체 탐지 모델의 출력값으로 주로 사용되며, 좌표와 크기 정보를 통해 객체의 영역을 정의한다. 정확한 바운딩 박스 설정은 모델의 학습 품질과 추론 정확도에 직접적인 영향을 미친다.

폐색/가려짐(Occlusion)

— 시야 내에서 한 객체가 다른 객체나 장애물에 의해 일부 또는 전부가 가려지는 현상을 의미한다. 컴퓨터 비전 모델이 객체를 인식하거나 추적할 때 성능 저하를 일으키는 주요 원인 중 하나이다. 이를 해결하기 위해 가려진 부분의 특징을 추론하거나 시계열 정보를 활용하는 기법이 연구된다.

어노테이션 전략(Annotation Strategy)

— 학습 데이터셋을 구축할 때 객체를 어떤 클래스로 분류하고 라벨링할지 결정하는 설계 방침이다. 클래스를 세분화할지 통합할지에 따라 모델의 복잡도와 후처리 과정이 달라진다. 특정 도메인의 문제를 해결하기 위해 범용 데이터셋 구조 대신 목적에 최적화된 라벨링 방식을 선택하는 것이 중요하다.