화재 인식 성능 개선을 위한 사전 학습된 가중치 및 검출 신뢰도 기반 자동 어노테이션 프로세스 = Automatic Annotation Process based on Pre-training weights and Detection Reliability to improve Fire Recognition Performance

국문 초록 (Abstract)

딥러닝 기술의 발전에 따라 고성능 객체 탐지 모델들이 지속적으로 출시되고 있으나, 객체 탐지 성능을 극대화하기 위해서는 모델 성능뿐만 아니라 정확한 어노테이션이 적용된 데이터셋이 필요하다. 기존 데이터셋 구축 방식은사람의 수작업에 의존하는 지도 학습이 주를 이루어 시간과 비용이 많이 소요되며, 특히 비정형 객체에 대해 어노테이션 효율이 낮다. 이를 해결하고자 본 논문에서는 사전 학습된 가중치와 신뢰 점수를 활용한 자동 어노테이션 프로세스를 설계하고, 다양한 신뢰 점수 임계값(0.5, 0.75, 0.9)을 통해 최적의 어노테이션 성능을 실험하였다. 실험 결과,신뢰 점수 0.75~0.9 구간에서 높은 인식 성능과 데이터 보존율이 달성되었으며, 원본 대비 mAP와 평균 신뢰도가 각각 10% 이상 개선되었다. 이러한 결과는 다양한 객체와 데이터셋에 대해 자동 어노테이션 프로세스의 유효성을 보여주며, 향후 더욱 효율적인 데이터셋 개선 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

Advancements in deep learning have led to the continuous release of high-performance object detection models incomputer vision. However, improving detection performance requires not only model enhancements but also accuratelyannotated datasets. Traditional methods rely on manual annotation for supervised learning, which is time-consuming andcostly, especially for unstructured objects. To address this, we propose an auto-annotation process that uses pretrainedweights and confidence scores to automatically annotate data based on object-specific confidence thresholds. Experimentswith different thresholds (0.5, 0.75, and 0.9) were conducted to optimize annotation quality. Results showed thatconfidence scores between 0.75 and 0.9 achieved high detection performance and data retention, with mAP and averageconfidence scores improving by over 10% compared to the original dataset. These findings demonstrate the effectivenessof the proposed process for various objects and datasets, suggesting potential for efficient dataset enhancement in futureapplications.

참고문헌 (Reference)

• 1 "e-nara Std. 2014, Fire Occurrence Status"
• 2 J. Redmon, "You Only Look Once : Unified, Real-Time Object Detection" 779-788, 2016
• 3 C. Ma, "YOLO-UAV : Object Detection Method of Unmanned Aerial Vehicle Imagery Based on Efficient Multi-Scale Feature Fusion" 11 : 126857-126878, 2023
• 4 K. Simonyan, "Very Deep Convolutional Networks for Large-Scale Image Recognition"
• 5 이석창 ; 김영현 ; 강수경 ; 박명혜, "Research on Intelligent Anomaly Detection System Based on Real-Time Unstructured Object Recognition Technique" 25 (25): 546-557, 2022
• 6 이민영, "Issues on Protecting Personal Image Data managed by Artificial-Intelligent CCTV" 52 (52): 205-237, 2022
• 7 Taylor Luke, "Improving deep learning with generic data augmentation" 1542-1547, 2018
• 8 L. P. Shang, "Fire detection algorithm based on the fusion of YOLOv8 and Deformable Conv DCN" 11 (11): 8-15, 2024
• 9 M. Tlig, "Fire Segmentation with an Optimized Weighted Image Fusion Method" 13 (13): 1-20, 2024
• 10 T. Y. Lin, "Feature Pyramid Networks for Object Detection" 936-944, 2017
• 11 M. Wang, "FASDD : An Open-access 100, 000-level Flame and Smoke Detection Dataset for Deep Learning in Fire Detection" 1-22, 2022
• 12 이채은 ; 박천수, "Development of Fire Detection System using YOLOv8" 23 (23): 19-24, 2024
• 13 K. He, "Deep Residual Learning for Image Recognition" 770-778, 2016
• 14 D. H. Kim, "An Efficient Dataset Construction Method using Labeling based on Pre-training" Dong-Eui University 2024
• 15 X. Huang, "A Lightweight Wildfire Detection Method for Transmission Line Perimeters" 13 (13): 1-18, 2024