[논문 리뷰] Informative Scene Decomposition for Crowd Analysis, Comparison and Simulation Guidance

Feixiang He, Yuanhang Xiang외 2명|arXiv (Cornell University)|2020. 04. 29.

Anomaly Detection Techniques and Applications참고 문헌 37인용 수 4

한 줄 요약

이 논문은 공간, 시간, 동적 패턴을 포괄하는 해석 가능한 모드로 노이즈가 많고 고차원적인 군중 궤적 데이터를 자동으로 분해할 수 있는 비모수적 베이지안 프레임워크인 Triplet-HDP와 중국식 식당 프랜차이즈 리그(CRFL) 추론을 제안한다. 이 방법은 비지도 학습을 통해 장면의 의미를 탐색할 수 있게 하여 시각화, 정량적 시뮬레이션 비교, 가이던스 기능을 제공한다. 다양한 실제 데이터셋(최대 1000개의 궤적, 수일에 걸친 기간)에서 효과적으로 검증되었다.

ABSTRACT

Crowd simulation is a central topic in several fields including graphics. To achieve high-fidelity simulations, data has been increasingly relied upon for analysis and simulation guidance. However, the information in real-world data is often noisy, mixed and unstructured, making it difficult for effective analysis, therefore has not been fully utilized. With the fast-growing volume of crowd data, such a bottleneck needs to be addressed. In this paper, we propose a new framework which comprehensively tackles this problem. It centers at an unsupervised method for analysis. The method takes as input raw and noisy data with highly mixed multi-dimensional (space, time and dynamics) information, and automatically structure it by learning the correlations among these dimensions. The dimensions together with their correlations fully describe the scene semantics which consists of recurring activity patterns in a scene, manifested as space flows with temporal and dynamics profiles. The effectiveness and robustness of the analysis have been tested on datasets with great variations in volume, duration, environment and crowd dynamics. Based on the analysis, new methods for data visualization, simulation evaluation and simulation guidance are also proposed. Together, our framework establishes a highly automated pipeline from raw data to crowd analysis, comparison and simulation guidance. Extensive experiments and evaluations have been conducted to show the flexibility, versatility and intuitiveness of our framework.

연구 동기 및 목표

• 혼합된 공간, 시간, 동적 정보를 포함한 대규모, 노이즈가 많고 구조가 없는 군중 궤적 데이터 분석의 과제를 해결한다.
• 기존 방법의 한계를 극복하여 공간, 시간, 동적 요소를 별도로 다루거나 균일한 운동 랜덤성 가정을 하지 않는다.
• 수동 레이블링 없이도 원시 데이터에서 반복되는 활동 패턴(모드)을 자동으로 탐지할 수 있는 비지도 프레임워크를 개발한다.
• 학습된 의미 기반으로도 영향을 미치는 탄력적이고 해석 가능한 시각화, 시뮬레이션된 군중에 대한 정량적 평가, 자동 시뮬레이션 가이던스를 가능하게 한다.
• 수천 명의 사람 수십일에 걸친 대규모 데이터셋(예: 수만 명 이상)과 파편화되거나 완전하지 않은 궤적 관측치를 지원한다.

제안 방법

• 공간, 시간, 속도 차원을 함께 모델링하기 위해 계층적 딜레트 프로세스(HDP)를 사용하는 새로운 비모수적 베이지안 모델인 Triplet-HDP(THDP)를 제안한다. 이는 상호차원 상관관계를 포착한다.
• 다양한 차원에서의 모드 간 다대다 관계를 모델링함으로써 세 개의 HDP 간 효율적이고 통합된 샘플링을 가능하게 하는 새로운 추론 알고리즘인 중국식 식당 프랜차이즈 리그(CRFL)를 도입한다.
• 두 단계 추론 전략을 적용한다: 먼저 공간-HDP만을 사용해 초기 클러스터링을 안정화하는 버닝 인 단계를 거치고, 이후 전체 THDP에 대해 CRFL를 적용하여 혼합 및 수렴 속도를 향상시킨다.
• 공간 이산화(40×40에서 120×120 격자) 및 투영 기반 또는 직접적인 시간 차분을 통한 속도 추정을 통해 궤적 데이터를 정규화한다.
• 지역 최소값을 피하기 위해 MCMC 샘플링을 활용하여 복잡한 고차원 데이터 구조에도 불구하고 강력한 추론을 보장한다.
• 발견된 모드를 시뮬레이션 가이던스의 기초로 활용하며, 각 모드는 특정한 공간 경로, 시간 프로파일, 속도 선호도를 가진 고유한 유량을 나타낸다.

실험 결과

연구 질문

• RQ1 대규모, 노이즈가 많고 구조가 없는 군중 궤적 데이터에서 구조적이고 해석 가능한 장면 의미를 자동으로 추출할 수 있는가?
• RQ2 수동 레이블링 없이도 공간, 시간, 동적 차원을 함께 모델링하여 반복적인 활동 패턴을 포착할 수 있는가?
• RQ3 발견된 모드를 활용해 실제 데이터와 비교하여 시뮬레이션된 군중에 대해 정량적이고 차원별 평가를 수행할 수 있는가?
• RQ4 이 프레임워크는 이질적인 운동 랜덤성의 특성을 반영한 자동 시뮬레이션 가이던스를 어느 정도 효과적으로 지원할 수 있는가?
• RQ5 고용량, 장기간, 파편화된 관측치를 포함한 실제 데이터셋에 대해 이 프레임워크는 효과적으로 확장 가능한가?

주요 결과

• 프레임워크는 군중 장면을 의미 있는 모드로 성공적으로 분해하였다: 포럼에서 25개의 공간 모드, 5개의 시간 모드, 7개의 속도 모드; 캐리파크에서 13, 6, 6; 트레인스테이션에서 16, 3, 4.
• 표준 PC에서 포럼, 캐리파크, 트레인스테이션의 학습이 각각 85.1분, 11.5분, 7.8분 내에 완료되어 확장성을 입증하였다.
• 버닝 인 단계를 거친 CRFL를 사용함으로써 강력한 수렴 성능을 달성하였으며, 별도의 HDP를 사용한 경우 상호차원 상관관계를 유지하지 못하는 것으로 나타났다.
• 프레임워크는 군중 의미를 직관적으로 시각화할 수 있게 하여 입구, 출구, 정보 안내대 등의 반복적인 유량 패턴과 함께 시간 및 속도 프로파일을 드러냈다.
• 모드에서 유도된 정량적 평가 지표를 통해 실제 군중과 시뮬레이션된 군중 간 종합적이고 차원별 비교가 가능했다.
• 학습된 모드를 활용한 시뮬레이션 가이던스는 이질적인 운동 랜덤성을 효과적으로 포착하여 균일하거나 최소 노력 모델의 과도한 단순화를 피했다.