지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이칠우
- 발행연도
- 2018
- 저작권
- 전남대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 카메라로 취득한 영상의 의미분할을 수행하기 위한 CNN 기반의 딥러닝 알고리즘을 제안한다. 제안하는 네트워크 구조는 총 3단계로 구성되어 있다. 3개의 파트는 이미지에서 특징을 추출하기 위한 ConvN(Convolutional Network)와 추출한 특징의 해상도를 원본 이미지의 해상도로 복원하고 결과 이미지를 얻을 수 있는 의미분할 네트워크가 있고 마지막으로 영상수준 객체 분류 문제를 해결하기 위한 FC(Fully Connected Layer)로 구성되어 있다. ConvN의 입력 데이터로는 RGB 데이터뿐만 아니라 깊이 데이터를 사용한다. 두개의 입력 데이터를 사용하기 때문에 ConvN는 두개의 네트워크로 구성되어 있다. 하나는 RGB 데이터의 특징을 추출하는 RGB-ConvN가 있고, 다른 하나는 깊이 데이터의 특징을 추출하는 깊이-ConvN가 있다. RGB-ConvN와 깊이-ConvN를 결합하여 최종적인 특징을 추출한다. 저해상도 특징맵(Feature Map)의 해상도를 원본이미지의 해상도로 복원하기 위해서 의미분할 네트워크에서 업샘플링 과정이 있다. 객체의 영역에 대한 정보를 보완하기 위해서 업샘플링 계층과 Edge Map를 결합하여 학습한다. FC(Fully Connected Layer)는 영상수준 객체 분류 문제를 해결하기 위해 사용한다. FC의 마지막 계층에서 구한 확률 분포와 GT(Ground Truth)의 객체별 픽셀 분포에 따른 확률의 분포가 유사하도록 학습한다. 이를 위해 KL-divergence를 손실함수로 정의하여 사용한다. 픽셀수준 객체 분류의 정확도를 향상시키기 위해 영상수준 객체 분류 문제를 동시에 학습하는 구조로 설계하였다. 실험결과를 토대로 주변 물체들과 비슷한 패턴을 갖고 있더라도 다른 물체로 인식하는 결과를 얻을 수 있었으며, 이미지에서 작은 영역에 속하는 객체의 경우에도 정확도가 향상된 것을 확인하였다.
목차
1. 서론 1가. 연구 배경 1나. 연구 목적 2다. 연구 구성 32. 관련 연구 4가. FCN 5나. SegNet 6다. FuseNet 83. 의미분할 네트워크 10가. ConvN(Convolutional Network) 12나. 의미분할 네트워크 13다. Edge Map 144. Multi task supervision 네트워크 17가. Fully Connected Layer 205. 손실함수 22가. 픽셀수준 객체 분류 22나. 영상수준 객체 분류 236. 실험 결과 24가. Data Set 24나. 의미분할 257. 결론 31참고 문헌 32영문 초록 34
최근 본 자료
댓글(0)
0