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
- 백중환
- 발행연도
- 2023
- 저작권
- 한국항공대학교 논문은 저작권에 의해 보호받습니다.
이용수15
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
스마트농업에 관한 연구가 활발히 진행됨에 따라 농업 분야의 다양한 방면에서 상당한 정도의 기계화와 자동화가 이루어지고 있다. 특히, 노동력을 절감할 수 있는 과실 수확을 드론, 로봇에 활용함으로써 연구가 활발히 이루어지고 있다. 또한, 과실을 검출하고 수확하는 과정을 제한된 연산 능력, 메모리, 전력을 이용한 효율적인 학습 및 추론 능력이 지속해서 요구되고 있다. 이를 위해 딥러닝 알고리즘을 경량화하여 적은 저장 공간, 연산량을 요구하면서 실시간으로 추론할 수 있는 기술이 필요하다.
FCAF3D(Fully Convolutional Anchor-Free 3D Object Detection)모델은 포인트 클라우드 기반 딥러닝 모델로서 포인트 클라우드를 입력으로 3차원 객체를 검출하는 알고리즘이다. 포인트 클라우드 데이터의 희박함과 비정형성 때문에 복셀의 단위체로 변경하여 학습 및 추론을 진행한다. 복셀을 사용하여 객체 검출하는 방식의 경우 복셀의 크기를 객체의 크기에 따라 조절할 수 있어 작은 객체에 대해 검출이 가능한 이점이 있으나, 많은 연산량 및 저장 공간이 필요하여 로봇 또는 드론에 탑재되는 소형 컴퓨터에서는 실시간으로 검출이 힘들다. 따라서 본 논문에서는 작은 객체 검출에 대한 정확도와 추론 속도를 높이기 위해 기존의 FCAF3D 모델의 구조를 변경하고 Teacher-Student 학습을 이용한 지식 증류 기법과 양자화 기법을 적용한 모델 경량화 방안을 제안한다.
본 논문에서는 제안한 경량화 기법을 이용하여 SUN RGB-D Val에서 정량적 평가를 하였을 때 기존의 방식보다 mAP@0.25는1.03%, mAP@0.5는 2.53% 향상되었고, 추론 속도에서는 120.5 scenes per sec로 2.8배 빨라진 것을 확인하였다. 또한, 모형 사과나무에서 생성한 데이터로 평가하였을 때 mAP@0.25는 98.32%, mAP@0.5는 96.3%, 그리고 FPS는 121.5로 높은 정확도 및 속도를 확인하였다.
FCAF3D(Fully Convolutional Anchor-Free 3D Object Detection)모델은 포인트 클라우드 기반 딥러닝 모델로서 포인트 클라우드를 입력으로 3차원 객체를 검출하는 알고리즘이다. 포인트 클라우드 데이터의 희박함과 비정형성 때문에 복셀의 단위체로 변경하여 학습 및 추론을 진행한다. 복셀을 사용하여 객체 검출하는 방식의 경우 복셀의 크기를 객체의 크기에 따라 조절할 수 있어 작은 객체에 대해 검출이 가능한 이점이 있으나, 많은 연산량 및 저장 공간이 필요하여 로봇 또는 드론에 탑재되는 소형 컴퓨터에서는 실시간으로 검출이 힘들다. 따라서 본 논문에서는 작은 객체 검출에 대한 정확도와 추론 속도를 높이기 위해 기존의 FCAF3D 모델의 구조를 변경하고 Teacher-Student 학습을 이용한 지식 증류 기법과 양자화 기법을 적용한 모델 경량화 방안을 제안한다.
본 논문에서는 제안한 경량화 기법을 이용하여 SUN RGB-D Val에서 정량적 평가를 하였을 때 기존의 방식보다 mAP@0.25는1.03%, mAP@0.5는 2.53% 향상되었고, 추론 속도에서는 120.5 scenes per sec로 2.8배 빨라진 것을 확인하였다. 또한, 모형 사과나무에서 생성한 데이터로 평가하였을 때 mAP@0.25는 98.32%, mAP@0.5는 96.3%, 그리고 FPS는 121.5로 높은 정확도 및 속도를 확인하였다.
목차
제1장 서 론 1제2장 관련 연구 52.1 3D object detection 52.1.1 Point Cloud-based methods 52.1.1.1 BEV 객체 검출 62.1.1.2 3D 객체 검출 62.1.2 Fusion based methods 162.2 모델 경량화 182.2.1 양자화 182.2.2 Knowledge Distillation 20제3장 본 론 233.1 포인트 클라우드 데이터 생성 233.1.1 라벨링 233.1.2 데이터 증강 253.2 제안 모델 구조 273.3 모델 경량화 283.3.1 Knowledge Distillation 283.3.1.1 Feature Difference 293.3.1.2 Prediction Difference 303.3.2 모델 양자화 31제4장 실 험 334.1 실험 환경 334.2 데이터 334.3 학습 354.4 성능 평가 지표 374.5 실험 결과 및 분석 384.5.1 정량적 평가 384.5.2 정성적 평가 434.5.3 사과 수확을 위한 로봇 제어 46제5장 결 론 48참고 문헌 50ABSTRACT 54
최근 본 자료
댓글(0)
0