고해상도 이미지의 객체 탐지 성능 향상을 위한 중점 연결 기반 이미지 슬라이싱 기법 설계 및 구현 :Design and Implementation of Midpoint Connection Based ImageSlicing Technique for Improving Object Detection Performance in High-Resolution Images

김현수

추천

검색

자료유형: 학위논문

저자정보: 김현수 (숭실대학교, 숭실대학교 대학원)

지도교수: 김명호

발행연도: 2023

저작권: 숭실대학교 논문은 저작권에 의해 보호받습니다.

이용수2

이 논문의 연구 히스토리 (2)

2023

고해상도 드론 데이터에 이미지 슬라이싱과 Transformer 기법을 적용한 불법작물 객체 탐지 시스템 설계 및 구현

김현수 , 이예슬 , 신동명 외 2명 한국소프트웨어감정평가학회논문지 2023.03 학술저널

고해상도 이미지의 객체 탐지 성능 향상을 위한 중점 연결 기반 이미지 슬라이싱 기법 설계 및 구현

김현수 AI·SW융합학과 2023.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

드론은 사람이 직접 탑승하지 않고 조종하여 비행이 가능한 무인 항공기이다. 최근 드론의 보급화로 인해 기존의 목적인 군사용보다 다양한 산업 분야에 도입되며, 운송, 소방, 안전 등의 분야에서 인공지능 기술과 융합하여 활용되고 있다. 드론이 활용됨에 따라 정확한 데이터 수집을 위해 드론에 장착 가능한 고성능 카메라의 필요성도 증가하고 있다. 이와 함께 컴퓨팅 파워와 GPU의 발전으로 인공지능은 컴퓨터 비전, 자연어 처리, 사물 인터넷 등의 분야에서 빠르게 발전하고 있다. 특히 컴퓨터 비전의 객체 탐지 분야는 많은 발전을 이루었으며 의료, 농업, 안전 등 많은 분야에서 활용되고 있다. 이에 드론으로 촬영한 고해상도 데이터를 분석하기 위한 기술의 필요성이 증가하며, 드론으로 촬영한 고해상도 데이터셋이 등장하고 있다. 기존 이미지 분석에 많이 사용되는 PASCAL VOC, MS COCO 데이터셋은 단일 객체로 구성된 데이터가 60%이며 평균 2, 3개의 객체로 구성되어 있다. 또한 객체는 객체를 구성하는 픽셀 수에 따라 소형, 중형, 대형으로 구분된다. 공중에서 촬영된 고해상도 이미지 데이터는 객체가 적은 픽셀수로 구성되어 있고, 고밀도 분포 및 중첩의 특징을 갖는다. 기존의 객체 탐지 모델로 고해상도 이미지 분석 시, 학습된 객체의 크기가 다르기 때문에 특징점이 다르고 분석 이미지의 해상도가 달라 객체 탐지 정확도가 떨어진다. 이에 본 논문에서는 중점을 활용하는 이미지 슬라이싱 기법과 DIoU(Distance Intersection over Union) 기반의 NMS(Non-Maximum Suppression)를 적용한 중점 연결 기반 이미지 슬라이싱 기법을 제안한다. 실험 결과 중점 연결 기반 이미지 슬라이싱 기법은 이미지 슬라이싱 기법을 적용하지 않았을 경우보다 mAP50과 mAP@[0.5:0.95]가 각각 10%, 4% 향상되었으며, 기존의 이미지 슬라이싱 기법 보다는 1% 향상되었다. 또한 기존 이미지 슬라이싱 기법과 비교하여 대형 객체의 mAP@[0.5:0.95]의 경우 8% 향상되었다. 또한 DIoU 기반의 NMS를 적용하였을 때, 기존의 NMS를 사용하는 객체 탐지 모델 보다 mAP 성능이 2% 향상되었다. 이를 통해 기존 이미지 슬라이싱 기법 적용 시, 중형 및 대형 객체의 탐지 정확도 감소 문제와 함께 고해상도 이미지에서의 고밀도 분포 및 중첩된 객체의 탐지 정확도 감소 문제를 해결했다.

A drone is an unmanned aerial vehicle that can fly by controlling without a person directly boarding it. Due to the recent spread of drones, it has been introduced in a variety of industries than for military purposes, and is being used in combination with artificial intelligence technology in areas such as transportation, fire fighting, and safety. As drones are used, the need for high-performance cameras that can be mounted on drones for accurate data collection is also increasing. Along with the development of computing power and GPU, artificial intelligence is rapidly developing in fields such as computer vision, natural language processing, and the Internet of Things. In particular, the field of object detection in computer vision has made a lot of progress and is used in many fields such as medical care, agriculture, and safety. As a result, the need for technology to analyze high-resolution data photographed by drones is increasing, and high-resolution datasets photographed by drones are emerging. The PASCAL VOC and MS COCO datasets, which are widely used for existing image analysis, have 60% of data consisting of a single object and consist of an average of two or three objects. In addition, objects are divided into small, medium, and large according to the number of pixels constituting the object. High-resolution image data captured from the air consists of objects with fewer pixels and has characteristics of high-density distribution and overlap. When analyzing high-resolution images using conventional object detection models, the varying sizes of trained objects and differences in resolution of analyzed images result in decreased object detection accuracy. In this paper, we propose an improved image slicing technique that utilizes focal points and applies DIoU (Distance Intersection over Union)-based Non-Maximum Suppression (NMS) to address this issue. Experimental results show that the improved image slicing technique achieved a 10% and 4% increase in mAP50 and mAP@[0.5:0.95] respectively compared to not applying image slicing, and a 1% improvement over the existing image slicing technique. Additionally, compared to the existing image slicing technique, the mAP@[0.5:0.95] for large objects increased by 8%. Furthermore, when applying DIoU-based NMS, the mAP performance improved by 2% compared to using the conventional NMS in object detection models.

These results solve the problem of reducing the detection accuracy of medium and large objects, as well as the problem of reducing the detection accuracy of high-density distribution and the detection accuracy of overlapping objects in high-resolution images when applying existing image slicing techniques.

제 1 장 서론 1
1.1 연구 배경 및 목적 1
1.2 논문의 구성 7
제 2 장 관련연구 8
2.1 객체 탐지 모델 8
2.1.1 YOLO 10
2.1.2 TPH-YOLOv5 11
2.1.3 YOLO-X 12
2.1.4 Faster R-CNN 13
2.1.5 Mask R-CNN 14
2.1.6 RRNet 15
2.2 이미지 후처리 기법 17
2.2.1 Intersection over Union 17
2.2.2 Non-Maximum Suppression 19
2.3 이미지 슬라이싱 21
2.3.1 Slicing Aided Hyper Inference 21
제 3 장 제안 기법 23
3.1 중점 연결 기반 이미지 슬라이싱 기법 24
3.2 DIoU 기반 NMS 기법 26
제 4 장 실험 및 결과 29
4.1 실험개요 29
4.1.1 데이터셋 29
4.1.2 실험 환경 30
4.2 실험 방법 31
4.3 성능평가지표 32
4.4 실험 결과 35
제 5 장 결론 및 향후 연구 40

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)