현재의 준지도 학습 방식은 적은 양의 정답라벨(Labeled data)을 이용하여 정답이 없는 라벨(Unlabeled data)을 증강한 후 예측된 라벨에 대해서 Mixup 등의 방식을 활용하여 정답이 없는 라벨의 손실을 최소화하는 방식으로 인식률을 개선해왔다. 본 논문에서는 화재와 같이 정답라벨 수집이 제한된 경우에 정답라벨의 분포가 전체를 커버하지 못할 수도 있기 때문에 Fine-tuning 방식을 이용하여 화재 자동 데이터 생성 및 인식률 개선을 위한 방법을 제안한다. 인식률 개선을 위해서 F-guessed 방식과 중복적 라벨링 방식을 채용하여 학습데이터 결과와 예측 결과값이 유사하도록 데이터를 처리하였다. 그 결과 초기 대비 자동 데이터 생성은 5,565개에서 35,322개로 약 6.3배 정도 증가하였으며, mAP@0.5는 65.9%에서 82.5%로 약 16.6% 정도의 개선된 결과를 얻었다.
30 November 2020 in The Journal of Korean Institute of Information Technology
본 논문에서는 DeepLab V3 알고리즘의 핵심인 ASPP(Atrous Spatial Pyramid Pooling)를 대신하기 위해 선행 연구한 WASPP(Wavelet Atrous Spatial Pyramid Pooling)의 mIOU 결과는 epoch=100에서 90.2%로 기존 ASPP 대비 유사하거나 약간 낮아서 성능 향상에는 미흡한 결과가 나왔다. 이를 개선하기 위해 웨이블릿 특성을 활용하면서 기존 ASPP보다 Semantic segmentation 객체 검출 성능 개선에 대해 검토하였다. 그 결과 기존 ASPP 대비 Loss 및 mIOU 부분에서 1%이상의 성능 향상이 이루어졌으며, image_6 (Monitor prediction) 영상에서는 DeepLab v3는 epoch=200 기준으로 여전히 인식 오류가 존재하나 변형 WASPP에서는 epoch=50에서 완벽히 개선되었다. 이것은 특정 영상에서 기존보다 200%이상 성능이 개선된 결과이다.
31 May 2022 in The Journal of Korean Institute of Information Technology
현재 화재와 같이 데이터 수집이 제한된 특수한 경우에는 직접 데이터를 수집하거나, 데이터 증강 방식 등을 활용하여 데이터를 수집한다. 그리고 수집한 데이터는 수작업으로 라벨링을 진행하고 있다. 본 논문에서는 이를 개선하기 위해 CCTV나 동영상을 통하여 인식된 화재 데이터를 이종 객체 검출 및 Fine-tuning 방식을 활용하여 자동 라벨링 한 후 학습까지 자동 진행하게 하였다. 그리고 인식률 개선을 위해서는 중복적 라벨링을 적용한 통합 학습 방식과 객체 검출 IOU의 차이를 이용한 이미지 데이터의 선별적 적용 방식을 적용하였다. 그 결과 자동 데이터 생성은 초기 데이터 5,565개에서 10,885개로 약 95% 정도 화재 데이터가 증가하였으며, 인식률은 mAP@0.5 기준으로 64.9%에서 77.3%로 약 12.4% 정도의 개선된 결과를 얻었다.
31 January 2024 in The Journal of Korean Institute of Information Technology
현재 딥러닝 모델들의 잘못된 예측으로 간혹 사고가 발생하고 있는 게 사실이다. 특히 화재 및 재난의 경우에는 피해 규모는 상상을 초월할 수 있다. 본 논문에서는 화재와 같이 Data 수집이 제한되었을 때 화재의 인식률 저하를 개선하기 위하여 BNN(Bayesian neural network)의 방식 중 하나인 MC(Monte Carlo) dropout을 활용한 화재 오인식 개선에 관해 연구하였다. BNN이 화재 인식 후 불확실성의 분포가 클 때 화재일 가능성이 작다고 판단하여 CNN의 화재 판단을 보류하는 방식으로 화재 인식률을 개선 시켰다. 총 100개의 학습되지 않은 이미지를 활용하여 CNN 방식과 BNN + CNN 방식 사용 시 추론 결과를 서로 비교하였다. 그 결과 약 13%가 불확실성이 높아 개선된 추론 결과를 얻었다. 전체 데이터 확인 결과 4% 정도 에러를 고려하면 CNN에 비해 약 9% 정도 개선된 결과를 얻었다.
31 August 2019 in The Journal of Korean Institute of Information Technology
본 논문에서는 Median flow와 영상의 Depth 정보를 이용하여 산업 현장의 다양한 환경 조건에서 실시간 철근의 끝점 추적 및 검출이 가능한 방법을 제안한다. 영상의 Depth 정보에 Median filter, Binarization, Morphology, Blob의 알고리즘을 사용하여 2개의 철근 끝점을 검출하는 방법을 제안하였다. 실시간 철근 끝점 추적을 위해서는 Median flow의 알고리즘을 이용하여 철근의 움직임 방향과 위치 추적을 제안하였다. 그리고 Depth 영상에서 검출된 철근 끝점 좌표와 Median flow를 이용한 철근의 위치추적 좌표를 서로 비교하여 최종 위치 좌표를 결정하였다. 그 결과 기존 Median flow 방식만 적용하였을 때 75% 정도의 철근의 최종 위치 판단 성공률이 Depth의 철근 끝점 정보까지 활용하였을 때는 95%까지 추적 성공률이 높아졌다.
31 July 2021 in The Journal of Korean Institute of Information Technology
본 논문에서는 실시간 의미론적 분할에서 최근에 많이 사용되는 이중 경로 백본을 변형한 삼중 경로 방식과 BiSeNet v2 알고리즘의 핵심인 집계 레이어(Aggregation layer)를 mDAPPM(Modified Deep Aggregation Pyramid Pooling Module)로 변경하였을 때 실시간 의미론적 분할 성능 향상을 제안한다. 기존의 집계 레이어는 단순히 2가지 경로의 특징 표현을 병합하도록 설계되었다면, 본 논문에서는 삼중 경로 mDAPPM을 이용하여 다양한 크기의 폴링 커널과 서로 다른 깊이를 통합하여 다중 스케일 특징점 추출을 진행하였다. 그 결과 실시간 속도는 기존 BiSeNet v2 동일한 88fps가 나오면서, mIOU는 BiSeNet v2 대비 max_iter = 30,000 기준으로 최대 3% 향상된 결과를 얻었다.