객체 탐지와 세그먼테이션을 위한 FPN을 적용한 ResNet 기반의 SSD 기법 = ResNet based SSD with FPN for object detection and segmentation
저자
발행사항
서울 : 한양대학교 대학원, 2019
학위논문사항
학위논문(석사)-- 한양대학교 대학원 : 컴퓨터·소프트웨어학과 2019. 8
발행연도
2019
작성언어
한국어
주제어
발행국(도시)
서울
형태사항
v, 36 p. : 삽도 ; 26 cm.
일반주기명
권두 국문요지, 권말 Abstract 수록
지도교수: 조인휘
참고문헌: p. 32-34
UCI식별코드
I804:11062-000000110137
소장기관
딥러닝(Deep Learning)을 통한 객체 인식 기술이 나타나기 전에는 객체가 가진 특징만을 이용하여 객체를 탐지하는데 사용되었다. 하지만 하드웨어의 발전으로 인공지능이 가진 연산과 시간적 문제를 해소하면서 딥러닝 기반의 객체 탐지 알고리즘은 매우 활발하게 연구가 진행되고 있다.
하지만 현재의 객체 인식 기술은 정확도는 높은 편이지만, 정확도를 높이고자 더 깊은 망을 가진 CNN 모델을 구성하면서, 과적합(Over-fitting)이나 기울기 소실(Gradient Vanishing) 등의 문제가 발생한다. 따라서 보다 단순한 구조와 가벼운 CNN 모델에 대한 연구가 필요하며, 객체를 상자 형태로만 탐지하는 것이 아니라 정확한 픽셀 단위로 분할하는 연구도 필요하다.
본 논문에서는 연산 시간을 단축시키고 객체 탐지의 정확도를 향상시키기 위해서 FPN을 적용한 ResNet 기반의 SSD를 제안한다. 먼저 VGGNet보다 높은 정확도를 가진 ResNet를 Backbone Network로 사용하는 SSD를 사용하며, 기존의 방법보다 적은 Parameter의 수로 SSD Feature Layer의 Deconvolution을 통한 Top-down Pathway를 구성하고 이를 통해서 FPN Segmentation을 구현한다. 또한 기존의 FPN가 특징 추출을 위해서 모든 영역을 탐색하는 방법에서 관심영역만을 탐색하는 방법으로 변형하여 적은 연산량으로 객체의 특징을 추출하며, 추출된 특징을 통해 Segmentation을 구현하여 픽셀 단위의 객체 탐지도 가능하다.
제안하는 FPN을 적용한 ResNet 기반의 SSD 성능을 확인하기 위해 객체 인식 분야에서 사용되는 mAP(Mean Average Precision)로 평가하였으며, Pascal VOC 2007이 학습된 환경에서는 약 2.6%의 성능향상을 Pascal VOC 2007+2012가 학습된 환경에서는 약 3.5%의 성능향상을 확인하였다.
Prior to the emergence of deep learning object recognition technology, it was used to detect objects using only the features possessed by the objects. However, research on deep learning-based object detection algorithms is actively progressing while solving the problems of arithmetic operation and time that artificial intelligence has with the development of hardware.
However, the current object recognition technology has higher accuracy, but problems such as over-fitting and gradient vanishing occur while constructing a CNN model having a deeper network to improve the accuracy. Therefore, research on a simpler structure and lightweight CNN model is required, and research on dividing an object into accurate pixel units instead of detecting only in a box shape is also necessary.
In this paper, we provide ResNet-based SSD with FPN to shorten operation time and improve object detection accuracy. First, using the SSD using Backbone Network with ResNet with higher accuracy than VGGNet, and configuring the Top-down Pathway through Deconvolution of SSD Feature Layer with fewer parameters than the conventional method, and FPN via this Implement Segmentation. In addition, the existing FPN is deformed by a method of searching only the region of interest by a method of searching all regions for feature extraction, the feature of the object is extracted with a small amount of operation, and the extracted feature is used. By implementing Segmentation, object detection on a pixel basis is also possible.
In order to confirm the performance of ResNet-based SSD with FPN, we used mAP (Mean Average Precision) which is mainly used in the field of object recognition. In the environment where we learned about Pascal VOC 2007, we confirmed about a 2.5% improvement in performance, and in the environment where Pascal VOC 2007 + VOC2012 was learned about, about 3.5% improvement in performance.
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)