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
- 강연식
- 발행연도
- 2020
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수69
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 논문은 차량용 카메라 센서를 이용한 딥러닝 기반의 자율주행 주행가능영역 검출에 관한 연구이다. 자율주행기술은 카메라, 레이더, 라이다와 같은 인지 센서를 통해 차량 주변환경에 대한 정보를 습득 및 활용하여 고속도로, 자동차 전용도로와 같은 장소에서 구현되고 있다. 하지만, 앞으로는 도심환경이나 비정형 환경과 같은 곳에서도 적용할 수 있어야하며 차로 변경이나 차량 충돌 회피와 같은 기술을 구현하기 위해서는 정확한 주행 영역 파악과 차로 방향에 대한 분류 기술이 필요하다.본 연구에서는 차량용 카메라 센서에서 취득한 이미지 데이터를 통해 특징을 정의하기 어려운 환경에서도 추출할 수 있도록 딥러닝 기술 중 하나인 Semantic Segmentation 네트워크를 제안한다. 효율적인 En coder 모듈 구성을 위해 Depth-Wise Separable, Non-bottleneck-1D, Pyramid Pooling 기법을 적용하였으며 다양한 장소, 날씨, 시간에 대한 데이터를 제공하는 Berkeley Deep Drive(BDD)100K 데이터셋을 사용하였다. 그리고 Directly Drivable Area, Alternative Drivable Area, None에 대한 클래스를 제공하는 Drivable Area 데이터셋을 통해 학습 및 검증을 수행하였다.네트워크의 정확성과 실시간성 가능성을 확인하기 위해 임베디드용 GPU PC인 Nvidia Xavier에서 검증을 수행하였으며, 고속도로 혹은 자동차 전용도로, 비정형 환경, 악조건 환경에서도 적용 가능할 수 있음을 확인하였다.
목차
Ⅰ. 서론 11.1 연구배경 11.2 연구동향 51.3 연구목표 10Ⅱ. 딥러닝 대표 기법 112.1 합성곱 신경망(Convolutional Neural Network) 개요 112.1.1 합성곱 연산 122.1.2 패딩 142.1.3 스트라이드 152.1.4 입체 이미지의 합성곱 연산 162.1.5 풀링 계층 182.1.6 간단한 합성곱 신경망 192.2 딥러닝을 대표하는 CNN 모델 212.2.1 VGG16 222.2.2 ResNet 242.2.3 SENet 27Ⅲ. 합성곱 신경망 기반 Semantic Segmentation 303.1 Semantic Segmentation개요 303.2 Fully Convolutional Networks 313.3 SegNet 34Ⅳ. 주행가능영역 검출을 위한 네트워크 구성 364.1 개요 364.2 특징맵을 추출하기 위한 Encoder 384.2.1 Depth-Wise Separable 합성곱 394.2.2 Non-bottleneck-1D 414.2.3 Pyramid Pooling 444.3 특징맵 기반의 픽셀 분류를 위한 Decoder 454.4 네트워크 학습 기술 464.4.1 손실 함수 474.4.2 학습을 위한 최적화 기법 47Ⅴ. 네트워크 학습 및 검증 495.1 네트워크 학습 및 검증을 위한 데이터셋 495.2 실험 환경 및 학습 설정 515.3 평가 방법 535.3.1 IoU(Intersection over Union) 535.4 학습 결과 및 검증 545.4.1 학습 손실 및 유효 손실 그래프 545.4.2 평가 결과 555.4.3 각 환경별 검증 결과 56Ⅵ. 결론 60참고문헌 61Abstract 66
최근 본 자료
댓글(0)
0