A Real-Time Framework for Image-based Object Congestion Level Classification with Pseudo-Labeling and Deep Learning

본 논문은 이미지에서 객체의 혼잡 수준을 추정하는 딥러닝 기반의 모델을 제안한다. 기존에는 객체 수를 직접 계산하거나, 단순 검출 후 밀도 분석을 하는 방식이 주를 이뤘지만, 본 연구는 이미지 내 객체 분포의 특성과 밀집 패턴을 학습하는 모델을 설계함으로써 보다 정밀하게 혼잡도를 예측할 수 있는 방안을 제시한다. 특히 이미지 기반의 다양한 환경에서도 적용 가능한 구조로 설계되었으며, 모델 구축을 위해 직접 의사 레이블링을 수행하고, ResNet 기반의 특성 추출기와 혼잡도 추정 회귀 모듈이 결합된 구조를 사용한다. 실험 결과, 제안된 모델은 다양한 혼잡 상황에 대해 우수한 성능을 보이며, 실제 영상 환경에 적용할 수 있는 가능성을 확인하였다.