최근 영상 인식 알고리즘을 기반으로 한 카메라 센서는 보행자 검출 및 차선 인식과 같은 기능에서 매우 우수한 성능을 나타내어 자율주행차의 핵심 기술로 손꼽히고 있다. 이 알고리즘은 보다 정확한 인식률을 위해 선명하고 뚜렷한 입력 영상을 필요로 한다. 그럼에도 불구하고, 안개(Haze)가 심한 날씨로 인해 발생되는 입력 영상의 왜곡 현상은 영상 인식 알고리즘이 개체를 올바르게 인식하지 못하도록 방해하는 문제를 일으킨다. 따라서 안개로 인해 발생하는 영상의 왜곡 현상을 제거하는 것은 영상 인식 알고리즘에 꼭 필요한 전처리(...
최근 영상 인식 알고리즘을 기반으로 한 카메라 센서는 보행자 검출 및 차선 인식과 같은 기능에서 매우 우수한 성능을 나타내어 자율주행차의 핵심 기술로 손꼽히고 있다. 이 알고리즘은 보다 정확한 인식률을 위해 선명하고 뚜렷한 입력 영상을 필요로 한다. 그럼에도 불구하고, 안개(Haze)가 심한 날씨로 인해 발생되는 입력 영상의 왜곡 현상은 영상 인식 알고리즘이 개체를 올바르게 인식하지 못하도록 방해하는 문제를 일으킨다. 따라서 안개로 인해 발생하는 영상의 왜곡 현상을 제거하는 것은 영상 인식 알고리즘에 꼭 필요한 전처리(Pre-processing) 기법이며, 이러한 이유로 영상에서 안개를 제거하는 연구는 현재까지도 활발히 진행되고 있다. 최근 들어 단일 영상의 안개 제거 기법은 Hand-crafted feature를 이용하는 방법에서 벗어나, 합성곱 신경망(Convolutional Neural Network: CNN)을 기반으로 한 지도학습을 통해 연구되어 왔다. 합성곱 신경망은 학습 과정을 통해 안개와 관련된 특징을 추출하는 필터를 스스로 설계한다는 점에서 탁월한 성능 향상을 이끌어냈다. 하지만 합성곱 신경망을 이용한 기존의 안개 제거 기법들은 기울기 소실 문제(Vanishing gradient problem)와 계산 복잡도 증가를 막기 위해 제한된 깊이의 은닉층(Hidden layer)을 사용할 수밖에 없기 때문에 그 성능의 한계는 명확하다. 본 논문에서는 기울기 소실 문제와 신경망의 복잡도 증가에 따른 기존의 기법의 한계를 보완하기 위해 CondenseNet 구조를 기반으로 한 단일 영상의 안개 제거 기법을 제안한다. 제안하는 기법의 신경망은 특징을 재사용하여 기울기 소실 문제를 완화할 뿐만 아니라, 그룹 합성곱(Group convolution)을 통해 중요도가 낮은 가중치를 제거하여 낮은 복잡도를 유지한다. 뿐만 아니라 제안하는 기법은 안개와 관련도가 높은 성분을 이용하여 신경망을 학습하기 위해, 입력 영상을 HSV 색 공간으로 분해한 후 채도와 밝기 성분만을 학습에 사용한다. 이를 통해 신경망은 최적화된 학습을 하게 되어, 더욱 향상된 안개 제거 성능을 나타낸다. 제안하는 기법의 객관적인 성능 평가를 위해 4가지의 영상 화질 지표인 MSE(Mean Squared Error), SSIM(Structural SIMilarity), PSNR(Peak Signal to Noise Ratio), 그리고 WPSNR(Weighted Peak Signal to Noise Ratio)을 비교하였다. 실험 결과 제안하는 기법은 기존의 기법에 비해 평균 0.0009, 0.006, 0.67dB, 그리고 0.67dB의 향상을 보이는 것을 확인하였다. 또한 주관적인 성능 평가에서도 제안하는 기법은 기존의 기법에 비해 안개의 양에 따라 적응적으로 제거 강도를 조절하여 영상의 색채와 대비 측면에서 우수한 성능을 나타내는 것을 확인하였다.
최근 영상 인식 알고리즘을 기반으로 한 카메라 센서는 보행자 검출 및 차선 인식과 같은 기능에서 매우 우수한 성능을 나타내어 자율주행차의 핵심 기술로 손꼽히고 있다. 이 알고리즘은 보다 정확한 인식률을 위해 선명하고 뚜렷한 입력 영상을 필요로 한다. 그럼에도 불구하고, 안개(Haze)가 심한 날씨로 인해 발생되는 입력 영상의 왜곡 현상은 영상 인식 알고리즘이 개체를 올바르게 인식하지 못하도록 방해하는 문제를 일으킨다. 따라서 안개로 인해 발생하는 영상의 왜곡 현상을 제거하는 것은 영상 인식 알고리즘에 꼭 필요한 전처리(Pre-processing) 기법이며, 이러한 이유로 영상에서 안개를 제거하는 연구는 현재까지도 활발히 진행되고 있다. 최근 들어 단일 영상의 안개 제거 기법은 Hand-crafted feature를 이용하는 방법에서 벗어나, 합성곱 신경망(Convolutional Neural Network: CNN)을 기반으로 한 지도학습을 통해 연구되어 왔다. 합성곱 신경망은 학습 과정을 통해 안개와 관련된 특징을 추출하는 필터를 스스로 설계한다는 점에서 탁월한 성능 향상을 이끌어냈다. 하지만 합성곱 신경망을 이용한 기존의 안개 제거 기법들은 기울기 소실 문제(Vanishing gradient problem)와 계산 복잡도 증가를 막기 위해 제한된 깊이의 은닉층(Hidden layer)을 사용할 수밖에 없기 때문에 그 성능의 한계는 명확하다. 본 논문에서는 기울기 소실 문제와 신경망의 복잡도 증가에 따른 기존의 기법의 한계를 보완하기 위해 CondenseNet 구조를 기반으로 한 단일 영상의 안개 제거 기법을 제안한다. 제안하는 기법의 신경망은 특징을 재사용하여 기울기 소실 문제를 완화할 뿐만 아니라, 그룹 합성곱(Group convolution)을 통해 중요도가 낮은 가중치를 제거하여 낮은 복잡도를 유지한다. 뿐만 아니라 제안하는 기법은 안개와 관련도가 높은 성분을 이용하여 신경망을 학습하기 위해, 입력 영상을 HSV 색 공간으로 분해한 후 채도와 밝기 성분만을 학습에 사용한다. 이를 통해 신경망은 최적화된 학습을 하게 되어, 더욱 향상된 안개 제거 성능을 나타낸다. 제안하는 기법의 객관적인 성능 평가를 위해 4가지의 영상 화질 지표인 MSE(Mean Squared Error), SSIM(Structural SIMilarity), PSNR(Peak Signal to Noise Ratio), 그리고 WPSNR(Weighted Peak Signal to Noise Ratio)을 비교하였다. 실험 결과 제안하는 기법은 기존의 기법에 비해 평균 0.0009, 0.006, 0.67dB, 그리고 0.67dB의 향상을 보이는 것을 확인하였다. 또한 주관적인 성능 평가에서도 제안하는 기법은 기존의 기법에 비해 안개의 양에 따라 적응적으로 제거 강도를 조절하여 영상의 색채와 대비 측면에서 우수한 성능을 나타내는 것을 확인하였다.
Recently, camera sensor based on object detection algorithm has been regarded as the core technology of autonomous driving system because it has excellent performance in functions such as pedestrian detection and lane detection. This algorithm requires a clear and distinct input image for an accurat...
Recently, camera sensor based on object detection algorithm has been regarded as the core technology of autonomous driving system because it has excellent performance in functions such as pedestrian detection and lane detection. This algorithm requires a clear and distinct input image for an accurate detection rate. Nevertheless, the distortion of input image which is caused by hazy weather has a problem that the object detection algorithm does not correctly recognize the object. Therefore, eliminating an image distortion caused by haze is a core pre-processing technique for object detection algorithm. For this reason, many studies of single image haze removal have been done today. Single image haze removal has been studied through supervised learning based on Convolutional Neural Network (CNN) in recent years, away from using hand-crafted feature. The CNN leads to excellent performance in that it designs filters which extract haze-relevant features through the supervised learning. However, conventional methods based on the CNN have limited performance because they have to use a small number of hidden layer to prevent the vanishing gradient problem and increase of computational complexity. In this thesis, single image haze removal based on CondenseNet structure is proposed in order to overcome the limitations of conventional methods due to the vanishing gradient problem and the high complexity of neural network. The proposed method not only alleviates the vanishing gradient problem by reusing the features, but also maintains the low complexity of neural network by removing redundant weights through group convolution. In addition, the proposed method decomposes the input image into the HSV color space and then only uses the saturation and value to train the neural network with haze-relevant components. This allows the neural network to perform an optimized training, thereby exhibiting improved performance of haze removal. For the objective performance evaluation of the proposed method, four image quality metrics such as Mean Squared Error (MSE), Structural SIMilarity (SSIM), Peak Signal to Noise Ratio (PSNR), and Weighted Peak Signal to Noise Ratio (WPSNR) were compared. Experimental results show that the proposed method leads the average improvement of 0.0009, 0.006, 0.67dB, and 0.67dB compared with conventional methods. In the subjective performance evaluation, the proposed method not only shows the adaptive haze removal with different amounts of haze but also shows excellent performance in terms of color and contrast of images.
Recently, camera sensor based on object detection algorithm has been regarded as the core technology of autonomous driving system because it has excellent performance in functions such as pedestrian detection and lane detection. This algorithm requires a clear and distinct input image for an accurate detection rate. Nevertheless, the distortion of input image which is caused by hazy weather has a problem that the object detection algorithm does not correctly recognize the object. Therefore, eliminating an image distortion caused by haze is a core pre-processing technique for object detection algorithm. For this reason, many studies of single image haze removal have been done today. Single image haze removal has been studied through supervised learning based on Convolutional Neural Network (CNN) in recent years, away from using hand-crafted feature. The CNN leads to excellent performance in that it designs filters which extract haze-relevant features through the supervised learning. However, conventional methods based on the CNN have limited performance because they have to use a small number of hidden layer to prevent the vanishing gradient problem and increase of computational complexity. In this thesis, single image haze removal based on CondenseNet structure is proposed in order to overcome the limitations of conventional methods due to the vanishing gradient problem and the high complexity of neural network. The proposed method not only alleviates the vanishing gradient problem by reusing the features, but also maintains the low complexity of neural network by removing redundant weights through group convolution. In addition, the proposed method decomposes the input image into the HSV color space and then only uses the saturation and value to train the neural network with haze-relevant components. This allows the neural network to perform an optimized training, thereby exhibiting improved performance of haze removal. For the objective performance evaluation of the proposed method, four image quality metrics such as Mean Squared Error (MSE), Structural SIMilarity (SSIM), Peak Signal to Noise Ratio (PSNR), and Weighted Peak Signal to Noise Ratio (WPSNR) were compared. Experimental results show that the proposed method leads the average improvement of 0.0009, 0.006, 0.67dB, and 0.67dB compared with conventional methods. In the subjective performance evaluation, the proposed method not only shows the adaptive haze removal with different amounts of haze but also shows excellent performance in terms of color and contrast of images.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.