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
- 유진우
- 발행연도
- 2022
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수13
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
딥러닝 네트워크는 영상처리에 도입된 이후 영상을 활용하는 다양한 분야에서 활용되고 있다. 하지만 딥러닝 네트워크 기반의 객체 감지는 자율주행, 자율비행, CCTV 감지 등 대부분 연속된 상황에서 활용되지만, 실제 네트워크들은 이미지 연속성을 반영하지 않는다는 문제점을 갖고 있다. 본 논문에서는 순차적 이미지에서 감지기의 성능을 향상하기 위하여 딥러닝 네트워크의 Back-end에 연결된 Bunch-of-keys(BOK) 모듈을 제안한다. 이 모듈은 기존 딥러닝 네트워크를 연속 환경에 최적화하여 재학습 없이 연속 이미지를 감지한다. 이러한 과정은 시간과 연산 비용을 최소화하기 초당 프레임 수(FPS)를 최소화하여 평균 정밀도를 향상할 수 있다. 모듈은 세 개의 연속된 이미지들을 세트로 활용하는 슬라이딩 윈도우 방식을 채택하여 작동하게 설계하였으며 Generalized intersection over union을 활용하여 각 이미지에서 감지된 경계 상자의 위치와 크기를 비교하여 매칭시켰다. 해당 매칭 정보는 각각의 열쇠에 저장된다. 열쇠는 두 종류이며 각각 Rectifying key, Tracking key이다. 이 두 종류의 열쇠는 이후 타겟 이미지의 검출 결과를 수정하는 작업에 활용된다. Rectifying key는 연속된 이미지 중간 프레임에서 이유 없이 소실된 경계 상자를 보상하는 효과를 가지고 있다. 그리고 Tracking key는 연속된 이미지의 마지막 프레임에서 소실된 경계 상자를 보상한다. 각 열쇠를 활용하여 누락된 상자 번호를 추출한 후, 선형보간법을 활용하여 타겟 이미지에 그려줄 후보 상자를 생성한다. 생성된 후보 박스는 타겟 이미지에 바로 추가되지 않는다. 타겟 이미지에 감지기의 성능 문제 등으로 매칭되지 않았지만 동일한 물체를 감지한 경계 박스가 존재할 수 있기 때문이다. 이런 경우를 선별하기 위하여 Complete intersection over union을 활용하여 타겟 이미지의 모든 경계 상자와 후보 상자와의 유사도를 계산하였고, 설정한 임곗값 이상의 상자가 존재하면 해당 상자와 병합시키고 없다면 추가하는 작업을 수행하였다. 누락된 객체에 경계 상자를 추가하거나 병합한 결과 평균 정밀도 측면에서 감지 성능이 최대 3% 향상되었다.
목차
제 1장 서론 11.1 연구의 배경 11.2 기존 연구의 한계 21.3 관련 연구 동향 31.3.1 딥러닝 네트워크 연구 동향 31.3.1.1 Backbone Network 31.3.1.2 Real-time Detector 41.3.2 경계 박스 비교를 위한 알고리즘 연구 동향 61.3.2.1 손실 함수 알고리즘 61.3.2.2 이미지 비교 알고리즘 61.4 연구 기여 71.5 논문 구성 7제 2장 Bunch of Keys 모듈 92.1 네트워크 구조 92.2 Key 생성 알고리즘 122.2.1 Rectifying Key 152.2.2 Tracking Key 162.2.3 Tracking Key의 오류 누적 방지 알고리즘 192.2.4 RGB 정보를 활용한 Key 재구성 212.3 상자 추가/병합 작업 212.3.1 후보 상자 추가 작업 222.3.2 후보 상자 병합 작업 22제 3장 Key 생성 알고리즘 성능 실험 253.1 실험 세팅 253.2 Key 생성을 위해 활용할 필터 알고리즘 조합의 성능 실험 26제 4장 Bunch of Keys 모듈 성능 검증 실험 304.1 실험 세팅 304.2 Bunch of Keys Network의 성능 검증 30제 5장 GIoU & CIoU threshold 최적화 기법 345.1 최적화 기법의 필요성 345.2 최적화 기법의 성능 확인 실험 34제 6장 결론 386.1 연구 결론 및 기대효과 386.2 향후 과제 38참고 문헌 40Abstract 44
최근 본 자료
댓글(0)
0