4.1 실험 설정
A. 데이터셋
본 연구는 ShanghaiTech Part A(SHHA) [1], UCF-CC-50 [19], UCF-QNRF [20]를 사용한다. SHHA는 밀집 장면 중심의 주요 검증 데이터셋이고, UCF-CC-50은 영상 수가 적고 장면별 군중 수 변화가 커 5겹 교차검증(5-fold
cross validation)으로 평가하며, UCF-QNRF는 고해상도·고밀도 대규모 데이터셋으로 제안 방법의 확장 가능성 검증에 사용한다. 세
데이터셋 모두 동일한 제안 수준(proposal-level) 분석 기준을 적용하여 계수 성능과 구조 품질을 함께 평가하며, UCF-QNRF는 고해상도
입력의 GPU 메모리 제약을 고려해 최장변 1408 px(max1408) 설정을 사용한다. 본 논문이 보고하는 비교 기준은 동일 시드로 처음부터 재학습한
원본 P2PNet(Original P2PNet)이며, 이하 표에서는 지면 관계상 원본 P2PNet과 ValueUp-P2PNet을 각각 “Original”,
“ValueUp”으로 표기한다. 이 수치는 원 논문 결과의 재현이 아니라, 본 연구의 데이터 전처리·입력 크기·점수 임계값·분석 반경·체크포인트 설정에서
다시 학습·평가한 동일 환경 비교 기준이다.
B. 평가 지표
계수 성능은 식 (17)의 평균절대오차(Mean Absolute Error, MAE)와 평균제곱근오차(Root Mean Square Error, RMSE)로 평가한다.
$T$는 평가 영상 수, $C_t$와 $\hat{C}_t$는 각각 $t$번째 영상의 정답 인원 수(GT count)와 예측 인원 수(Prediction
count)이다. 제안 집합의 구조 품질은 식 (18)의 세 비율로 평가한다.
Matched/GT는 전체 정답 중 대표 제안으로 포착된 비율, Dup/Pred는 본 연구에서 가장 중요한 중복 비율, BG/Pred는 정답과 무관한
오검출(false positive) 비율이다. 검출 관점에서 Matched/GT는 정답을 얼마나 포착했는지를 나타내므로 재현율(recall)에 해당하고,
전체 예측 중 대표 제안이 차지하는 비율인 Matched/Pred는 정밀도(precision)에 해당한다. 세 비율은 $\text{Matched/Pred}
+ \text{Dup/Pred} + \text{BG/Pred} = 1$의 관계를 가지므로, 중복과 배경 오류를 구분해 보고하면 정밀도의 손실이 어느
원인에서 비롯되는지를 함께 파악할 수 있다. 대표·중복 판정에 사용하는 분석 반경은 16 px로 설정한다.
C. 구현 세부사항
모든 모델은 VGG16-BN 백본을 ImageNet 사전학습 가중치로 초기화하고 다음 공통 설정으로 학습한다. 에폭 3500, 학습률 $1 \times
10^{-4}$ (백본 $1 \times 10^{-5}$), 배치 크기 8, 시드 42, 크롭 크기 128, 패치 수 4, 스케일 증강 $[0.7,
1.3]$, 최종 출력의 점수 임계값 0.5이다. 학습 시 중복 후보 반경은 평가의 분석 반경과 동일한 $r_{\text{dup}} = 16\text{
px}$를 사용한다.
ValueUp 손실 가중치는 $\lambda_m = \lambda_d = 1.0$, $\lambda_r = 0.5$, $\lambda_p = 0.2$,
$\lambda_b = 0.05$, $\lambda_s = 0.001$이고, 사전 스케일은 $\sigma_0 = 8.0$, 가우시안 중복 가중치 스케일은
$\sigma_d = r_{\text{dup}} / 2 = 8\text{ px}$이다. 식 (15)의 소프트 게이트는 기울기 $k = 20$과 유일성 임계값 $\tau = 0.5$를 사용하며, $\tau$는 유일성 범위의 중앙값에 해당한다. $k$와
$\tau$는 세 데이터셋에 동일하게 적용하여 데이터셋별로 조정하지 않았다. ValueUp 손실은 웜업(warm-up) 500 에폭 이후 활성화하고,
식 (14)의 적응 비율은 전체 손실($L_{\text{P2P}} + L_{\text{ValueUp}}$) 기준으로 적용한다. 데이터셋별 입력 크기, 앵커 수,
비율 스케줄과 $\lambda_{\max}$는 표 1과 같으며, 여기서 비율 스케줄은 $r(t)$의 (에폭:목표비율) 선형 보간을 의미한다.
평가는 유효 점수(effective score) 모드(식 (16))를 기본으로 하며, P2PNet 손실의 기본 설정은 원 구현을 따라 매칭 비용 계수 1.0(분류)과 0.05(위치), 배경 가중치 0.5, 점 위치
손실 계수 $2 \times 10^{-4}$를 사용한다.
제안 구조가 추가하는 연산 비용은 다음과 같다. Uniqueness Head는 $3 \times 3$ 합성곱 2개와 출력 합성곱 1개로 구성되어 약
1.22M개의 파라미터를 추가하며, 전체 모델 파라미터는 21.58M에서 22.80M으로 5.64% 증가한다. 동일 GPU에서 측정한 영상당 추론
시간은 44.41 ms에서 46.45 ms로 2.04 ms(4.58%) 증가하여 초당 처리량은 22.52 FPS에서 21.53 FPS가 된다. 추론
단계에서 유일성은 동일 특징 위에서 한 번에 계산되고 소프트 게이트는 제안별 원소 연산이므로, 제안 간 거리 비교를 반복 수행하는 NMS 계열과 달리
별도의 반복적 후처리 단계를 필요로 하지 않는다.
표 1 데이터셋별 구현 세부 설정
Table 1 Dataset-specific implementation settings
|
Dataset
|
Anchors
|
Max side
|
Ratio schedule
|
$\lambda_{\max}$
|
|
ShanghaiTech A
|
$2 \times 2$
|
Original
|
500:0→3400:0.20
|
0.10
|
|
UCF-CC-50
|
$2 \times 2$
|
1408
|
500:0→3400:0.20
|
0.10
|
|
UCF-QNRF
|
$2 \times 4$
|
1408
|
500:0→3400:0.12
|
0.08
|
4.2 실험 결과 및 분석
A. ShanghaiTech Part A
ShanghaiTech Part A 결과는 표 2와 같다. 원본 P2PNet 대비 ValueUp-P2PNet은 MAE를 54.10에서 52.54로, RMSE를 89.26에서 88.10으로 낮추었다.
또한 Matched/GT는 75.28%에서 78.28%로 증가하고 Dup/Pred는 18.41%에서 16.63%로 감소하였다. 이는 단순히 예측 수를
줄인 것이 아니라 더 많은 정답을 대표 제안으로 포착하면서 중복 비율을 낮춘 결과로, 대표 포착률(Matched/GT) 증가와 중복 비율(Dup/Pred)
감소가 동시에 나타난 점이 제안 집합의 구조적 품질 개선을 보여주는 핵심 결과이다.
표 2 ShanghaiTech Part A 결과(제안 모델을 굵게 표시)
Table 2 Results on ShanghaiTech Part A (proposed model in bold)
|
Model
|
MAE↓
|
RMSE↓
|
Matched/GT↑
|
Dup/Pred↓
|
BG/Pred↓
|
|
Original
|
54.10
|
89.26
|
75.28%
|
18.41%
|
4.44%
|
|
ValueUp
|
52.54
|
88.10
|
78.28%
|
16.63%
|
4.44%
|
B. UCF-CC-50
UCF-CC-50 5겹 교차검증 결과는 표 3과 같다. ValueUp-P2PNet은 원본 P2PNet 대비 MAE를 198.44에서 190.22로, Matched/GT를 66.63%에서 71.04%로,
Dup/Pred를 34.08%에서 27.60%로 개선하였으나, RMSE는 333.50에서 349.57로, BG/Pred는 2.82%에서 3.02%로
소폭 증가하였다. 즉 제안한 유일성 구조가 대표 포착률과 중복 억제에는 기여하지만, 영상별 큰 오차에 민감한 RMSE까지 일관되게 개선하지는 못함을
보여준다.
표 3 UCF-CC-50 5겹 교차검증 결과(제안 모델을 굵게 표시)
Table 3 Five-fold cross-validation results on UCF-CC-50 (proposed model in bold)
|
Model
|
MAE↓
|
RMSE↓
|
Matched/GT↑
|
Dup/Pred↓
|
BG/Pred↓
|
|
Original
|
198.44
|
333.50
|
66.63%
|
34.08%
|
2.82%
|
|
ValueUp
|
190.22
|
349.57
|
71.04%
|
27.60%
|
3.02%
|
표 4 UCF-CC-50 5겹 교차검증 폴드별 결과
Table 4 Per-fold results of five-fold cross-validation on UCF-CC-50
|
Fold
|
Original
|
ValueUp
|
|
MAE
|
RMSE
|
MAE
|
RMSE
|
|
Fold 0
|
228.30
|
371.90
|
214.60
|
372.42
|
|
Fold 1
|
309.40
|
493.96
|
304.90
|
525.19
|
|
Fold 2
|
145.80
|
298.17
|
146.20
|
325.27
|
|
Fold 3
|
104.00
|
136.78
|
98.90
|
181.25
|
|
Fold 4
|
204.70
|
257.27
|
186.50
|
240.45
|
|
Mean / Pooled
|
198.44
|
333.50
|
190.22
|
349.57
|
UCF-CC-50의 폴드는 원본 50장을 순서대로 10장씩 분할하여 구성하므로 폴드 간 밀도가 균등하지 않으며, RMSE는 폴드별 제곱오차를 통합(pooled)하여
계산한다. 표 4에서 폴드 0과 폴드 1이 가장 조밀하여 오차가 크며, 특히 폴드 1은 두 모델 모두에서 MAE·RMSE가 최대이다. ValueUp-P2PNet은
5개 폴드 중 4개에서 MAE를 낮추어(폴드 0·1·3·4) 평균 MAE를 198.44에서 190.22로 개선하였다. 반면 RMSE는 통합 기준 333.50에서
349.57로 소폭 증가하는데, 이는 폴드별 제곱오차를 합산하는 RMSE 특성상 극단적 밀도의 소수 영상이 지표를 지배하기 때문이다. 실제로 중복
억제가 대다수 영상의 계수 오차를 줄여 MAE를 낮추지만, 폴드 1·3의 최고밀도 영상 몇 장에서 오차가 커지면서 제곱 합산 시 RMSE 상승으로
나타난다. 즉 제안 방법은 평균적 계수 성능(MAE)을 안정적으로 개선하되, 초고밀도 극단 사례의 편차는 향후 과제로 남는다.
C. UCF-QNRF
UCF-QNRF(max1408) 결과는 표 5와 같다. ValueUp-P2PNet은 원본 P2PNet 대비 MAE를 96.14에서 91.84로, RMSE를 169.84에서 168.57로, Matched/GT를
75.51%에서 82.13%로, Dup/Pred를 17.82%에서 15.43%로, BG/Pred를 3.92%에서 1.82%로 모두 개선하였다. 제안
수준 분석에서 정답 240,127개에 대해 238,357개의 제안이 예측되었고, 이 중 대표 197,219개, 중복 36,788개, 배경 4,350개로
나타나 계수 성능과 구조 지표가 함께 향상되었다.
표 5 UCF-QNRF (max1408) 결과(제안 모델을 굵게 표시)
Table 5 Results on UCF-QNRF (max1408) (proposed model in bold)
|
Model
|
MAE↓
|
RMSE↓
|
Matched/GT↑
|
Dup/Pred↓
|
BG/Pred↓
|
|
Original
|
96.14
|
169.84
|
75.51%
|
17.82%
|
3.92%
|
|
ValueUp
|
91.84
|
168.57
|
82.13%
|
15.43%
|
1.82%
|
D. 구성 요소 분석(ablation study)
제안 구조의 각 구성 요소가 실제로 기여하는지 확인하기 위해, ShanghaiTech Part A에서 (i) ValueUp 분기의 유무, (ii)
손실 비율을 고정하는 방식 대 적응형 커리큘럼 방식, (iii) ValueUp 손실을 구성하는 개별 항의 기여를 비교하였다. (iii)은 채택 설정에서
위상·스케일·순위·배경 손실을 하나씩 제거하고 나머지 조건을 동일하게 유지한 채 처음부터 재학습한 결과이다. 공정한 비교를 위해 모든 설정을 동일
시드로 고정하여 학습·평가하였으며, 결과는 표 6과 같다.
먼저 ValueUp 분기를 제거한 원본 P2PNet 대비, ValueUp을 적용한 두 방식 모두 MAE가 감소하고(54.10에서 각각 52.41,
52.54) Matched/GT가 증가하며 Dup/Pred가 감소하여, 유일성 기반 학습이 계수와 제안 구조를 함께 개선함을 확인하였다. 고정 방식과
적응형 커리큘럼을 비교하면 MAE와 Matched/GT는 비슷한 수준이나, 적응형 방식이 Dup/Pred를 17.19%에서 16.63%로 낮추고 RMSE와
BG/Pred에서도 더 우수하여, 고정 계수 사용에 따른 민감도를 줄이면서 중복 억제와 안정성 측면에서 이점을 가진다.
개별 손실 항의 기여는 서로 다른 축에서 나타난다. 순위 손실을 제거하면 Matched/GT가 80.51%로 가장 높고 Dup/Pred도 15.80%로
가장 낮지만 MAE가 55.06으로 원본(54.10)보다도 악화되어, 순위 손실이 최종 점수의 서열을 정렬해 계수 성능을 유지하는 역할을 담당함을
알 수 있다. 배경 억제 손실을 제거하면 Matched/GT가 74.76%로 가장 낮고 Dup/Pred가 19.44%로 가장 높아져, 이 항이 제안
집합의 구조 품질을 지탱하는 핵심임을 보여준다. 스케일 정규화를 제거하면 구조 지표는 소폭 개선되지만 MAE와 RMSE가 함께 악화되어 계수 안정성에
기여함을 확인할 수 있다. 위상 분리 손실을 제거하면 MAE와 RMSE는 오히려 개선되지만 Matched/GT가 낮아지고 Dup/Pred가 높아져,
위상 항이 계수 지표를 일부 양보하는 대신 제안 구조의 분리에 기여함을 보여준다.
이러한 결과는 채택 설정이 모든 지표에서 최상이라는 의미가 아니라, 계수 성능과 제안 구조 품질이 서로 상충하는 상황에서 두 축을 함께 고려한 균형점이라는
의미로 해석된다. 계수 지표만으로는 예측 품질을 충분히 설명할 수 없다는 본 논문의 관점에서, 위상 항과 같이 MAE를 소폭 양보하더라도 구조 지표를
개선하는 구성 요소는 유지할 가치가 있다고 판단하였다. 다만 본 분석은 단일 시드에서 수행되어 MAE 기준 0.5 내외의 차이는 학습 변동 범위에
해당할 수 있으며, 다중 시드 반복을 통한 검증은 향후 과제로 남긴다.
표 6 ShanghaiTech Part A 구성 요소 분석(채택 설정을 굵게 표시)
Table 6 Ablation study on ShanghaiTech Part A (adopted setting in bold)
|
Setting
|
MAE↓
|
RMSE↓
|
Matched/GT↑
|
Dup/Pred↓
|
BG/Pred↓
|
|
Original
|
54.10
|
89.26
|
75.28%
|
18.41%
|
4.44%
|
|
Fixed
|
52.41
|
88.47
|
78.71%
|
17.19%
|
4.58%
|
|
Adaptive
|
52.54
|
88.10
|
78.28%
|
16.63%
|
4.44%
|
|
$-L_{\text{phase}}$
|
52.13
|
85.52
|
77.85%
|
16.83%
|
4.22%
|
|
$-L_{\text{scale}}$
|
52.95
|
90.95
|
78.58%
|
16.17%
|
4.10%
|
|
$-L_{\text{rank}}$
|
55.06
|
90.75
|
80.51%
|
15.80%
|
4.30%
|
|
$-L_{\text{bg}}$
|
53.06
|
86.84
|
74.76%
|
19.44%
|
4.09%
|
E. 후처리 기반 억제와의 비교
제안 방법이 거리 기반 후처리와 어떻게 다른지 확인하기 위해, 원본 P2PNet의 예측 제안 집합에 비최대 억제(NMS)와 Soft-NMS를 후처리로
적용하고 계수 성능의 변화를 표 7에 제시한다. 모든 설정은 ShanghaiTech Part A 테스트 집합(정답 78,970개)과 점수 임계값 0.5를 기준으로 한다. 후처리는 학습과
무관하게 제안 집합을 사후에 변경하므로 대표–중복 판정 기준을 본문의 분석과 동일하게 적용하기 어렵다. 따라서 본 비교에서는 계수 성능과 예측 수의
변화를 중심으로 하고, 제안 수준 지표는 판정 기준과 무관한 배경 오검출 비율에 한정하여 보고한다.
NMS 계열은 서로 가까운 제안을 제거하므로 억제 강도를 키울수록 예측 수가 줄어든다. 그러나 억제 강도가 약한 설정(NMS 반경 4 px, Soft-NMS
$\sigma = 4$)은 예측 수를 1% 내외만 줄이며 계수 성능도 개선되지 않는다(MAE 54.10 대비 각각 54.65, 54.34). 반대로
예측 수를 실질적으로 줄이는 설정에서는 계수 오차가 급격히 악화되어, NMS 반경 8 px에서는 예측 수가 정답의 84.2%로 감소하면서 MAE가
83.67로, 반경 12 px에서는 68.8%까지 감소하면서 MAE가 139.61로 나빠진다. 이는 밀집 장면에서 인접한 사람 사이의 실제 거리가
억제 반경보다 작아 중복과 대표를 거리만으로 구분할 수 없기 때문이며, 배경 오검출 비율이 4.44%에서 5.80%로 오히려 증가하는 점도 이를 뒷받침한다.
즉 거리 기반 후처리에서는 계수 성능을 유지하면서 예측 수를 줄이는 동작점을 찾기 어렵다. 반면 제안 방법은 예측 수를 정답 수준으로 유지하면서 MAE와
RMSE를 함께 낮추고, 표 2와 같이 대표 포착률 증가와 중복 비율 감소를 동시에 달성한다. 또한 ValueUp에 NMS를 추가로 적용하면 MAE가 52.54에서 77.24로
악화되어, 제안 방법이 후처리와 병용할 성격이 아니라 후처리를 대체하는 접근임을 보여준다.
표 7 후처리 기반 억제 기법과의 계수 성능 비교(ShanghaiTech Part A, 제안 모델을 굵게 표시)
Table 7 Comparison of counting performance with post-processing suppression methods
(ShanghaiTech Part A, proposed model in bold)
|
Setting
|
#Pred.
|
Pred/GT
|
MAE↓
|
RMSE↓
|
BG/Pred↓
|
|
Original
|
77,065
|
97.6%
|
54.10
|
89.26
|
4.44%
|
|
+ NMS ($r = 4$)
|
76,352
|
96.7%
|
54.65
|
90.04
|
4.47%
|
|
+ NMS ($r = 8$)
|
66,514
|
84.2%
|
83.67
|
157.24
|
4.95%
|
|
+ NMS ($r = 12$)
|
54,303
|
68.8%
|
139.61
|
250.20
|
5.80%
|
|
+ Soft-NMS ($\sigma = 4$)
|
76,821
|
97.3%
|
54.34
|
89.57
|
4.45%
|
|
+ Soft-NMS ($\sigma = 8$)
|
70,326
|
89.1%
|
72.46
|
143.54
|
4.81%
|
|
ValueUp
|
78,348
|
99.2%
|
52.54
|
88.10
|
4.44%
|
|
+ NMS ($r = 8$)
|
68,386
|
86.6%
|
77.24
|
154.87
|
4.83%
|
F. 분석 반경에 대한 민감도
제안 수준 지표는 대표·중복 판정에 사용하는 분석 반경 $r$에 의존하므로, $r$을 8 px에서 24 px까지 변화시키며 두 모델의 지표를 비교하였다(표 8). 반경이 커질수록 정답 주변으로 포함되는 제안이 늘어 Dup/Pred는 증가하고 BG/Pred는 감소하는 공통 경향이 나타난다. 그러나 모든 반경에서
제안 방법이 원본 대비 Matched/GT는 3%p 내외 높고 Dup/Pred는 1.7%p 내외 낮은 관계가 유지되며, 두 모델의 우열은 반경 선택에
따라 뒤바뀌지 않는다. 즉 본문에서 사용한 16 px이라는 값은 지표의 절대 수준을 결정하지만 결론을 결정하지는 않는다.
표 8 분석 반경에 따른 제안 수준 지표 변화(ShanghaiTech Part A, 점수 임계값 0.5)
Table 8 Proposal-level metrics with respect to the analysis radius (ShanghaiTech Part
A, score threshold 0.5)
|
$r$ (px)
|
Original
|
ValueUp
|
|
Matched/GT↑
|
Dup/Pred↓
|
BG/Pred↓
|
Matched/GT↑
|
Dup/Pred↓
|
BG/Pred↓
|
|
8
|
70.48%
|
13.14%
|
14.63%
|
73.62%
|
11.35%
|
14.44%
|
|
12
|
74.16%
|
16.26%
|
7.75%
|
77.25%
|
14.36%
|
7.77%
|
|
16
|
75.28%
|
18.41%
|
4.44%
|
78.28%
|
16.63%
|
4.44%
|
|
20
|
75.28%
|
20.08%
|
2.77%
|
78.30%
|
18.35%
|
2.72%
|
|
24
|
75.28%
|
21.07%
|
1.79%
|
78.30%
|
19.30%
|
1.78%
|
G. 점수 임계값 민감도와 재현율–정밀도 관계
최종 제안 점수의 임계값 $t$를 0.5부터 0.9까지 변화시키며 두 모델의 계수 성능과 재현율·정밀도를 비교하였다(표 9). 계수 성능과 재현율은 모든 임계값에서 제안 방법이 원본을 앞서며, 그 격차는 임계값이 높아질수록 오히려 확대된다(MAE 격차 1.6에서 42.4로,
재현율 격차 3.0%p에서 7.0%p로).
표 9 점수 임계값에 따른 계수 성능과 재현율·정밀도 변화(ShanghaiTech Part A, 분석 반경 16 px)
Table 9 Counting performance, recall, and precision with respect to the score threshold
(ShanghaiTech Part A, analysis radius 16 px)
|
Thresh.
|
Model
|
#Pred.
|
MAE↓
|
Matched/GT↑
|
Matched/Pred↑
|
Dup/Pred↓
|
|
0.5
|
Original
|
77,065
|
54.1
|
75.3%
|
77.2%
|
18.4%
|
|
ValueUp
|
78,348
|
52.5
|
78.3%
|
78.9%
|
16.6%
|
|
0.6
|
Original
|
73,178
|
57.7
|
74.0%
|
79.8%
|
16.1%
|
|
ValueUp
|
75,520
|
53.1
|
76.9%
|
80.4%
|
15.6%
|
|
0.7
|
Original
|
68,720
|
68.6
|
72.2%
|
83.0%
|
13.4%
|
|
ValueUp
|
72,255
|
58.2
|
75.9%
|
83.0%
|
13.5%
|
|
0.8
|
Original
|
62,994
|
90.5
|
69.2%
|
86.8%
|
10.2%
|
|
ValueUp
|
68,211
|
68.8
|
73.7%
|
85.3%
|
11.7%
|
|
0.9
|
Original
|
53,444
|
140.3
|
63.5%
|
93.8%
|
4.0%
|
|
ValueUp
|
61,385
|
97.9
|
70.5%
|
90.6%
|
7.0%
|
그림 6 임계값 변화에 따른 재현율–정밀도 곡선(ShanghaiTech Part A)
Fig. 6 Recall-precision curves under varying score thresholds (ShanghaiTech Part A)
반면 정밀도와 중복 비율은 임계값 0.5와 0.6에서는 제안 방법이 우수하지만 0.8 이상에서는 원본이 더 유리하게 나타난다. 이는 두 모델의 점수가
서로 다른 척도를 갖기 때문이며, 동일한 임계값이 동일한 동작점을 의미하지 않는다는 점에 주의해야 한다. 제안 방법의 최종 점수는 식 (16)과 같이 신뢰도와 게이트 값의 곱으로 정의되어 원본의 신뢰도와 직접 대응하지 않으며, 실제로 임계값 0.9에서 원본이 53,444개의 제안만 남기는데
비해 제안 방법은 61,385개를 유지한다. 즉 같은 임계값에서 제안 방법은 원본보다 더 느슨한 동작점에 놓이므로, 정밀도와 중복 비율을 임계값 기준으로
직접 비교하는 것은 타당하지 않다.
따라서 두 모델은 재현율–정밀도 평면에서 비교하는 것이 적절하다. 그림 6은 임계값을 변화시키며 얻은 두 모델의 재현율–정밀도 곡선으로, 제안 방법의 곡선이 원본의 곡선 바깥에 위치한다. 구체적으로 원본의 모든 동작점에
대해 재현율과 정밀도가 동시에 더 높은 제안 방법의 동작점이 존재한다. 예를 들어 원본의 임계값 0.5 동작점(재현율 75.3%, 정밀도 77.2%)은
제안 방법의 임계값 0.75 동작점(재현율 75.4%, 정밀도 84.5%)에 의해, 원본의 임계값 0.8 동작점(재현율 69.2%, 정밀도 86.8%)은
제안 방법의 임계값 0.9 동작점(재현율 70.5%, 정밀도 90.6%)에 의해 각각 지배된다. 이는 유일성 기반 게이트가 특정 임계값에서의 이득이
아니라 검출과 억제 사이의 상충 관계 자체를 개선함을 의미하며, 본문에서 사용한 임계값 0.5라는 선택이 결론을 결정하지 않음을 보여준다.
H. 최신 점 기반 모델과의 위치 비교
제안 방법의 상대적 위치를 명확히 하기 위해 최근 점 기반 군중 계수 모델의 보고 성능을 표 10에 정리하였다. 본 연구의 목적은 계수 성능에서 최고 성능을 달성하는 것이 아니라 동일한 기반 모델 위에서 제안 집합의 구조적 품질을 개선하는 것이므로,
표 10은 우열의 근거가 아니라 위치 확인을 위한 참고 자료로 제시한다.
계수 성능만 보면 PET와 APGCC가 제안 방법보다 우수하다. 다만 이들은 트랜스포머 기반 질의 구조나 보조 점 안내와 같이 기반 구조 자체를 변경하는
접근인 반면, 제안 방법은 P2PNet의 예측 구조를 그대로 유지한 채 유일성 분기만을 추가하여 중복 제안을 억제한다. 또한 본 연구의 UCF-QNRF
실험은 GPU 메모리 제약으로 최장변 1408 px로 축소한 입력을 사용하므로 원 해상도 계열 설정을 사용하는 다른 모델의 보고값과 직접 비교하기
어렵다. UCF-CC-50의 경우 비교 대상 모델들은 원 해상도 계열 입력과 표준 5겹 분할을 사용하는 반면, 본 연구는 GPU 메모리 제약으로 최장변
1408 px로 축소하고 폴드를 원본 50장의 순서대로 분할하였다. 이처럼 입력 해상도와 폴드 구성이 모두 달라 동일 조건 비교가 성립하지 않으므로
표 10에서 제외하였다. 참고로 APGCC [9]는 UCF-CC-50에서 P2PNet 172.7, PET 159.9, APGCC 154.8의 MAE를 보고하며, 본 연구의 수치(원본 198.44,
제안 190.22)와의 차이에는 위 프로토콜 차이가 함께 반영되어 있다.
표 10 최신 점 기반 군중 계수 모델의 보고 성능
Table 10 Reported performance of recent point-based crowd counting models
|
Model
|
Venue
|
ShanghaiTech A
|
UCF-QNRF
|
|
MAE↓
|
RMSE↓
|
MAE↓
|
RMSE↓
|
|
P2PNet [6]
|
ICCV 2021
|
52.74
|
85.06
|
85.32
|
154.5
|
|
CLTR [7]
|
ECCV 2022
|
56.9
|
95.2
|
85.8
|
141.3
|
|
PET [8]
|
ICCV 2023
|
49.34
|
78.77
|
79.53
|
144.32
|
|
APGCC [9]
|
ECCV 2024
|
48.75
|
76.69
|
80.1
|
136.6
|
|
Original
|
—
|
54.10
|
89.26
|
96.14
|
169.84
|
|
ValueUp
|
—
|
52.54
|
88.10
|
91.84
|
168.57
|
I. 종합 논의 및 한계
세 데이터셋 결과를 종합하면, 제안한 ValueUp-P2PNet은 원본 P2PNet 대비 대표 포착률(Matched/GT)을 높이고 중복 비율(Dup/Pred)을
낮추는 경향을 일관되게 보였다. 특히 ShanghaiTech Part A와 UCF-QNRF에서는 계수 성능(MAE, RMSE)과 제안 수준 지표가
함께 개선되었고, UCF-CC-50에서는 MAE, Matched/GT, Dup/Pred는 개선되었으나 RMSE와 BG/Pred는 원본보다 불리하였다.
따라서 제안 방법의 효과는 대표 포착률 증가와 중복 비율 감소를 중심으로 해석하는 것이 타당하다.
이러한 결과는 점 기반 군중 계수에서 계수 지표만으로는 예측 품질을 충분히 설명할 수 없음을 보여준다. MAE가 낮더라도 하나의 정답 주변에 여러
제안이 남으면 위치 표현 구조가 불안정할 수 있으며, 이는 개별 위치가 필요한 후속 과제(downstream task)에도 영향을 줄 수 있다. 제안한
유일성(uniqueness) 분기는 신뢰도와 별개로 제안의 대표성을 학습하므로, 신뢰도를 직접 낮추는 방식보다 세밀한 중복 억제가 가능하다. 특히
SHHA에서 대표 포착률 증가와 중복 비율 감소가 동시에 나타난 점은, 제안 방법이 단순 후처리 이상의 구조적 개선을 제공함을 시사한다.
다만 한계도 있다. 첫째, UCF-CC-50에서는 중복 비율과 MAE는 낮추었지만 RMSE는 원본보다 높게 나타났는데, 이는 초고밀도 소수 영상이
제곱오차를 지배하기 때문이다. 둘째, 분석 반경과 점수 임계값에 대한 민감도는 표 8 및 표 9에서 확인하였다. 다만 게이트 파라미터는 세 데이터셋에 동일하게 $k = 20$, $\tau = 0.5$를 사용하였을 뿐 데이터셋별 최적값 탐색은
수행하지 않았다. 셋째, 위상(phase)과 스케일(scale) 출력은 보조 정규화로만 쓰였을 뿐 최종 추론에 직접 활용되지는 않았다. 넷째, 본
연구는 각 보조 분기의 기여를 구성 요소 분석으로 확인하였으나, 위상 표현이 실제로 학습하는 정보를 표현 분포(embedding distribution)
수준에서 시각화하거나 정량적으로 분석하지는 못하였다. 이는 향후 과제로 남긴다.