KCI등재
Sim2Real 학습을 활용한 무기체계 탐지성능 향상에 대한 연구
저자
발행기관
학술지명
한국산학기술학회논문지(Journal of Korea Academia-Industrial cooperation Society)
권호사항
발행연도
2023
작성언어
Korean
주제어
KDC
505
등재정보
KCI등재
자료형태
학술저널
수록면
189-196(8쪽)
DOI식별코드
제공처
딥러닝 기반의 객체탐지 모델에서 새로운 객체에 대한 탐지를 위해서는 해당 객체가 포함된 방대한 이미지를 모델에 학습시켜야 한다. 하지만 충분한 이미지 데이터를 확보하기 힘든 환경에서는 모델을 학습시키기에 불리한 면이 있으며 국방 분야가 대표적인 예이다. 이와 같은 문제를 해결하기 위해 데이터 생성에 해당되는 시뮬레이션 가상환경에서의 3D 모델 기반의 합성이미지를 이용하여 컴퓨터가 학습할 수 있는 충분한 양의 데이터풀을 확보하고 객체탐지 모델을 학습시킬 수 있다. 이를 Sim2Real 학습이라고 하며, Sim2Real의 성능을 보장하기 위해서는 도메인 격차를 줄이는 과정이 필요하다. 본 연구에서는 도메인 격차를 줄이는 도메인 적응화 기법 중 하나인, 가상의 도메인에서 수집한 학습데이터로 학습한 객체탐지 모델의 가중치를 가지고 실제 도메인에서 수집한 이미지로 재학습하는, 미세조정 과정을 수행했을 때 성능 차이를 비교하여 도메인 적응화 기법이 실제로 탐지성능에 유의미한 영향을 미치는지 분석하고자 하였다. 실험 결과 적은 양의 실제이미지를 가지고 미세조정을 통해서 유의미한 성능 향상이 있음을 보았다. 이는 충분한 양과 질을 가진 학습용 이미지를 구하기 힘든 국방 분야에서, 객체탐지 모델을 학습하는 한 방향성을 제시해줄 수 있다.
더보기The detection of a new object in a deep learning-based object detection model requires the model to be trained with many images containing the objects. On the other hand, in an environment where it is difficult to obtain sufficient image data, there is a disadvantage in training a model, and the defense field is the representative example. The 3D model-based synthetic image in the simulated virtual environment corresponds to data generation to solve this problem by preparing a sufficient data pool for the computer to learn the object detection model. This is called Sim2Real learning, and a process of reducing the domain gap is required to guarantee the performance of Sim2Real learning. This study performed a fine-tuning process of re-learning with images collected from a real domain with weights of object detection model learned with synthetic images collected from the virtual domain, which is one of the domain adaptation techniques to reduce domain gap. This study analyzed whether the domain adaptation technique effectively detects performance by comparing the differences in results. As a result of the experiment, there was significant performance improvement through fine-tuning with a small number of real images. This can suggest a direction for learning object detection models in the field of national defense, where it is not easy to obtain training images of sufficient quantity and quality.
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)