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
- 유지상
- 발행연도
- 2020
- 저작권
- 광운대학교 논문은 저작권에 의해 보호받습니다.
이용수9
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
객체 탐지는 무인 항공기 응용분야에 필요한 기반정보를 제공하는 중요
기술 중 하나다. 최근 일반화 성능이 좋은 합성곱 신경망을 이용한 객체 탐
지 모델들이 제안되었고, 이러한 모델들을 이용한 다양한 무인 항공기 영상
내 객체 탐지 방법들이 연구되었다. 하지만 기존의 방법들은 실시간 동작이
불가능하거나 낮은 고도에서만 동작하는 단점이 존재한다.
본 논문에서는 높은 고도에서도 실시간으로 객체를 탐지하는 방법을 제
안한다. 작은 객체를 잘 찾도록 특징 맵의 표현력을 강화하는 Deeper
Receptive Field Block(DRFB) module을 설계하고, 이를 MobileNet v1
backbone SSD 300에 장착한 합성곱 신경망 기반의 객체 탐지 모델인
DRFBNet 300을 제안한다. 또한 모델의 학습을 위해 bird-view 무인 항공
기 영상에서 객체가 갖는 구도와 각도 왜곡 특성을 포함하는 UAV-cars 데
이터 셋을 제안한다. 마지막으로, 제안하는 객체 탐지 모델의 정확도 향상
을 위해 화면을 좌, 우로 나눠 처리하는 화면 분할 처리(Split Image
Processing, SIP) 방법을 제안한다.
제안하는 DRFBNet 300은 MS COCO metric에서 45 FPS의 속도로 21
mAP 점수를 획득했다. 이는 다른 가벼운 1-stage 객체 탐지 방법들 중 가
장 높은 점수다. 또한 UAV-cars 데이터 셋을 이용한 실험에서 DRFBNet
300은 20-50 m 고도 범위에서 가장 높은 AP 점수를 획득했다. SIP 방법이
적용된 모델의 경우, 정확도의 증가 폭은 높은 고도일수록 점점 더 커졌으
며, 50 m 고도에서는 두 배 이상 정확도가 증가되었다. UAV-cars 데이터
셋으로 학습된 DRFBNet 300에 SIP 방법이 적용된 모델은 33 FPS로 동작
하며 실시간 무인 항공기 영상 내 객체 탐지가 가능했다.
기술 중 하나다. 최근 일반화 성능이 좋은 합성곱 신경망을 이용한 객체 탐
지 모델들이 제안되었고, 이러한 모델들을 이용한 다양한 무인 항공기 영상
내 객체 탐지 방법들이 연구되었다. 하지만 기존의 방법들은 실시간 동작이
불가능하거나 낮은 고도에서만 동작하는 단점이 존재한다.
본 논문에서는 높은 고도에서도 실시간으로 객체를 탐지하는 방법을 제
안한다. 작은 객체를 잘 찾도록 특징 맵의 표현력을 강화하는 Deeper
Receptive Field Block(DRFB) module을 설계하고, 이를 MobileNet v1
backbone SSD 300에 장착한 합성곱 신경망 기반의 객체 탐지 모델인
DRFBNet 300을 제안한다. 또한 모델의 학습을 위해 bird-view 무인 항공
기 영상에서 객체가 갖는 구도와 각도 왜곡 특성을 포함하는 UAV-cars 데
이터 셋을 제안한다. 마지막으로, 제안하는 객체 탐지 모델의 정확도 향상
을 위해 화면을 좌, 우로 나눠 처리하는 화면 분할 처리(Split Image
Processing, SIP) 방법을 제안한다.
제안하는 DRFBNet 300은 MS COCO metric에서 45 FPS의 속도로 21
mAP 점수를 획득했다. 이는 다른 가벼운 1-stage 객체 탐지 방법들 중 가
장 높은 점수다. 또한 UAV-cars 데이터 셋을 이용한 실험에서 DRFBNet
300은 20-50 m 고도 범위에서 가장 높은 AP 점수를 획득했다. SIP 방법이
적용된 모델의 경우, 정확도의 증가 폭은 높은 고도일수록 점점 더 커졌으
며, 50 m 고도에서는 두 배 이상 정확도가 증가되었다. UAV-cars 데이터
셋으로 학습된 DRFBNet 300에 SIP 방법이 적용된 모델은 33 FPS로 동작
하며 실시간 무인 항공기 영상 내 객체 탐지가 가능했다.
목차
제1장 서론 1제2장 관련 연구 5제3장 제안하는 방법 73.1. DRFBNet 300 83.1.1. DRFB module 93.1.2. DRFBNet 300 133.2. 화면 분할 처리 143.2.1. Image Separation 153.2.2. Box Merging 163.3. UAV-cars 데이터 셋 183.4. 무인 항공기 영상에서의 객체 탐지 203.4.1. 객체 탐지 모델 학습 203.4.2. 객체 탐지 21제4장 실험 환경 224.1. 무인 항공기 사양 224.2. 실험 환경 234.3. 학습 전략 23제5장 실험 결과 255.1. MS COCO 255.2. UAV-cars 28제6장 결론 32참고문헌 34
최근 본 자료
댓글(0)
0