Robust ship recognition system using deep learning and bayesian fusion
저자
발행사항
[Seoul] : Graduate School, Yonsei University, 2018
학위논문사항
학위논문(석사) -- Graduate School, Yonsei University School of Electrical and Electronic Engineering 2018.8
발행연도
2018
작성언어
영어
주제어
발행국(도시)
서울
기타서명
딥 러닝과 베이지안 퓨전을 이용한 강인한 선박 인식 시스템
형태사항
ix, 61장 : 삽화 ; 26 cm
일반주기명
지도교수: Euntai Kim
UCI식별코드
I804:11046-000000516565
소장기관
선박이 자율 항해를 하기 위해서는 주변 선박에 대한 정확한 검출과 안정적인 분류를 바탕으로 선박의 움직임이 통제 되어야 한다. 자율 항해 선박이 안전하게 항해를 하기 위해서는 선박 간의 충돌을 회피하는 것이 매우 중요하며, 다양한 해양 기상 환경 속에서도 주변 선박을 안정적으로 검출하고 분류하여야 한다. 따라서, 정확한 선박 검출과 분류는 자율 항해 선박에 있어 필수적인 기능이다.
본 학위 논문에서는 자율 항해 선박이 심층 학습과 베이지안 퓨전을 이용하여 강인하게 선박을 인식할 수 있는 시스템을 제안한다. 최근 객체 인식 관련 연구에는 다양한 딥 러닝 방법이 사용된다. 따라서, 제안한 강인한 선박 인식 시스템을 구현하기 위해 딥 러닝 검출기를 사용하고, 이와 더불어 IoU 추적, 그리고 베이지안 퓨전을 이용한다. 본 학위 논문의 핵심 아이디어는 딥 러닝 검출기를 통해 동영상의 연속되는 이미지에서 출력되는 신뢰도를 확률로 간주하고, 이를 베이지안 퓨전을 이용하여 시간에 따라 연속적으로 결합하는 것이다. 이때 Faster R-CNN은 딥 러닝 검출기로 사용된다.
제안한 시스템은 세 단계로 구성된다. 첫 번째 단계에서는 Faster R-CNN을 이용하여 각각의 이미지에서 선박을 검출한다. 두 번째는 검출된 선박의 바운딩 박스를 연속적으로 모으는 단계이며, 이 때 검출이 되지 않은 선박의 바운딩 박스는 동영상의 연속되는 이미지에서 IoU를 이용하여 복구 된다. 세 번째 단계에서는 베이지안 퓨전을 이용하여 Faster R-CNN으로부터 출력된 확률을 연속적으로 결합하고 선박의 클래스를 결정한다.
제안한 시스템에 대한 성능 테스트는 수집된 동영상을 이용하여 진행된다. 실험을 통해 제안한 시스템은 선박 검출과 분류 성능이 상당히 개선되었음을 확인하였다. 실험에서 제안한 시스템의 평균 정밀도는 89.38%에서 93.92%로 향상되었다. 또한, 제안한 시스템은 파도, 바람과 같은 해양 기상 환경 때문에 성능이 떨어지는 부정적인 현상을 극복하고 선박을 강인하게 검출하고 분류하였다.
마지막으로 Faster R-CNN을 학습하고 제안한 시스템을 평가하기 위해, 구글 이미지 검색을 통해 수 천장의 선박 이미지를 수집하여 자체적으로 선박 데이터 세트를 구축하였다.
For ships to navigate autonomously, their movements must be controlled based on accurate detection and reliable classification of the surrounding target ships. For autonomous ships to navigate safely, it is essential to avoid a collision between ships and it is necessary to detect and classify the nearby ships reliably under various maritime meteorological environments. Thus, accurate ship detection and subsequent classification are essential functions of autonomous ships.
In this thesis, a robust ship recognition system using deep learning and Bayesian fusion on a video is proposed for autonomous ships. Recently, various deep learning methods have been employed for the object recognition. The deep learning detector, the IoU tracking, and Bayesian fusion are used together to implement a robust ship recognition system. The key idea of this thesis is to consider the confidence from the deep learning detector as a probability; the probabilities from the consecutive images are combined over time by Bayesian fusion. To compute the confidence, the Faster R-CNN is used as the deep learning detector.
The proposed system comprises three steps. In the first step, ships are detected in each image using the Faster R-CNN. In the second step, the detected ships are gathered over time and the missed ships are recovered using the intersection over union (IoU) of the bounding boxes between consecutive frames. In the third step, the probabilities from the Faster R-CNN are combined over time and the classes of the ships are determined by Bayesian fusion.
In experiments, the proposed robust ship recognition system is tested using collected videos. The experimental results indicate that the proposed method shows considerable improvement in both detection and classification performance on a video. The proposed method is shown that the mean average precision (mAP) for ship detection increases 89.38% to 93.92% in experimental results. Furthermore, the proposed system overcomes negative effects that drop the detection performance due to the maritime meteorological environment such as waves and wind and detects and classifies the target ships robustly.
Finally, the ship dataset which comprises thousands of ship images collected from a Google image search is created to train the Faster R-CNN and evaluate the proposed system.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)