KCI우수등재
SCOPUS
초해상도 모델 구조 기반 항공 영상 내 다중 크기 객체 검출 신경망 = Multi-size Object Detection Model in Aerial Images Based on Super Resolution Model Structure
저자
발행기관
학술지명
韓國航空宇宙學會誌(Journal of the Korean Society for Aeronautical and Space Sciences)
권호사항
발행연도
2023
작성언어
Korean
주제어
등재정보
KCI우수등재,SCOPUS,ESCI
자료형태
학술저널
발행기관 URL
수록면
553-562(10쪽)
제공처
소장기관
Aerial images captured at various flight altitudes and in urban environments contain objects of various sizes and large numbers of small objects in dense locations. In other words, objects and background in aerial images have a variety of object sizes, superposition between objects, similarity between objects and backgrounds, and background complexity. Object detectors such as YOLO (You Only Look Once)-based networks have a high misdetection ratio when considering aerial image characteristics. Especially the shallow backbone network proposed to solve the high object distribution in aerial images with a complex background has high detection accuracy at small objects, but poor detection accuracy at large object. In this paper, we propose a YOLOv5U network, which is similar to the super resolution network and skip connection that reduces spatial information distortion to improve the detection accuracy performance by improving the detection ratio of all object sizes. Additionally, we evaluate the network performance by conducting experiments that combine segmentation loss with object detection network learning. The results of the experiment show, the proposed YOLOv5U network achieves FPS (Frame Per Second) and (mean Average Precision) in large object performance 40%, 143% higher than the YOLOv5-TA network. Futhermore, mAP performance improved by 7.4% over TPH-YOLOv5 networks that recorded outstanding performance in visdrone-DET2021 Challenge.
더보기다양한 비행 고도와 도심 환경에서 촬영된 항공 영상은 다양의 크기의 객체와 밀집된 다수의 소형 객체를 포함한다. 즉 항공 영상은 객체 크기의 다양성, 객체 간 중첩성, 객체와 배경 간 유사성, 배경 복잡성을 가진다. 따라서 YOLO (You Only Look Once) 계열 신경망과 같은 일반 객체 검출기는 항공 영상 특성 고려할 때, 관심 객체 미탐지율이 높다. 특히 복잡한 배경의 항공 영상 내 높은 객체 분포도를 해결하고자 제안된 얇은 특징 추출 신경망은 소형 객체 검출정확도는 높으나, 대형 객체 검출정확도 성능은 좋지 못하다. 따라서 본 논문에서는 초해상도 복원 신경망과 유사한 구조의 YOLOv5U 신경망과 공간 정보 왜곡을 최소화하는 Skip Connection을 제안하여, 모든 객체 크기의 탐지율 향상을 통해 전체 객체 검출정확도를 향상하였다. 또한 영역 분할 손실 함수를 객체 검출기 신경망 학습과 결합하여 비교 실험을 통해 성능을 평가하였다. 실험 결과, 제안하는 YOLOv5U 신경망은 소형 객체 검출기 YOLOv5-TA 신경망 대비 FPS (Frame Per Second) 성능과 대형 객체(Large, 96×96 화소 이상)의 (mean Average Precision) 성능이 40%, 143% 증가하였다. 또한 Visdrone-DET2021 Challenge에서 우수한 성능을 달성한 TPH-YOLOv5 신경망 대비 성능이 7.4% 향상하였다.
더보기분석정보
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)