R-CNN 알고리즘을 이용한 국산 차종인식 분류기 생성 및 차량 학습데이터 구성 Generation of Domestic Vehicle identification Classifier System using R-CNN Algorithm and Composition of the Vehicle Dataset원문보기
국산 차량의 모델을 분류할 수 있는 분류기 생성을 위해 기존에는 없었던 국산 차량에 대한 데이터 셋을 구축하고, 이미지 데이터 학습에 적합한 물체인식딥러닝 네트워크 중에서 R-CNN(Region Convolution Neural Network) 방식의 훈련을 통한 국산 차량 분류기를 생성했다. 네트워크 훈련(...
국산 차량의 모델을 분류할 수 있는 분류기 생성을 위해 기존에는 없었던 국산 차량에 대한 데이터 셋을 구축하고, 이미지 데이터 학습에 적합한 물체인식딥러닝 네트워크 중에서 R-CNN(Region Convolution Neural Network) 방식의 훈련을 통한 국산 차량 분류기를 생성했다. 네트워크 훈련(Training)에 필요한 차량 이미지를 수집하기 위해서 별도의 GUI(Graphical User Interface) 프로그램을 구현하고 학습데이터를 구성했다. 이 프로그램은 사용자가 원하는 이미지를 웹 페이지에서 수집할 수 있는 크롤링(Crawling) 기능과, 수집한 이미지의 양(quantity)을 증가시키기 위한 Augmentation 효과도 적용할 수 있다. 또한 저장한 이미지 데이터에 대해서 주석(Annotation)과정을 수행할 수 있는 기능을 추가하여, 학습데이터를 생성할 수 있다. 여기서 주석 기능은 기존의 프로그램들에서 사용하는 방식이 아니라, 물체인식 네트워크를 프로그램과 연동하여, 버튼 클릭만으로 사용자가 주석 기능을 사용할 수 있게 구현했다. 훈련 네트워크에는 딥러닝 모델에서 이미지 내의 객체들을 특성별로 묶어 Region을 생성하고, 각 Region별로 객체를 구별하여 인식하는 R-CNN(Region Convolutional Neural Network) 방식의 모델을 활용했다. R-CNN 알고리즘 방식을 활용하는 다양한 네트워크 중에서도 빠른 처리 속도 및 높은 정확성을 자랑하는 YOLO 모델이 있다. YOLO 모델을 활용하여 구성한 차량 이미지 데이터에 대한 전체 학습과정을 살펴보고, 다양한 형식으로 구성한 이미지 데이터에 따른 정확도를 평가함으로써 최적의 학습 모델을 제시한다. 실험에서는 YOLO의 다른 버전마다 구성한 학습 모델과 학습데이터를 구성하고, 정확도를 비교한다. 서로 다른 모델과 데이터의 비교우위를 통해 국산 차량 인식 모델 생성을 위한 적합한 학습데이터를 제공하고, 효율적인 학습 방안을 제시한다.
국산 차량의 모델을 분류할 수 있는 분류기 생성을 위해 기존에는 없었던 국산 차량에 대한 데이터 셋을 구축하고, 이미지 데이터 학습에 적합한 물체인식 딥러닝 네트워크 중에서 R-CNN(Region Convolution Neural Network) 방식의 훈련을 통한 국산 차량 분류기를 생성했다. 네트워크 훈련(Training)에 필요한 차량 이미지를 수집하기 위해서 별도의 GUI(Graphical User Interface) 프로그램을 구현하고 학습데이터를 구성했다. 이 프로그램은 사용자가 원하는 이미지를 웹 페이지에서 수집할 수 있는 크롤링(Crawling) 기능과, 수집한 이미지의 양(quantity)을 증가시키기 위한 Augmentation 효과도 적용할 수 있다. 또한 저장한 이미지 데이터에 대해서 주석(Annotation)과정을 수행할 수 있는 기능을 추가하여, 학습데이터를 생성할 수 있다. 여기서 주석 기능은 기존의 프로그램들에서 사용하는 방식이 아니라, 물체인식 네트워크를 프로그램과 연동하여, 버튼 클릭만으로 사용자가 주석 기능을 사용할 수 있게 구현했다. 훈련 네트워크에는 딥러닝 모델에서 이미지 내의 객체들을 특성별로 묶어 Region을 생성하고, 각 Region별로 객체를 구별하여 인식하는 R-CNN(Region Convolutional Neural Network) 방식의 모델을 활용했다. R-CNN 알고리즘 방식을 활용하는 다양한 네트워크 중에서도 빠른 처리 속도 및 높은 정확성을 자랑하는 YOLO 모델이 있다. YOLO 모델을 활용하여 구성한 차량 이미지 데이터에 대한 전체 학습과정을 살펴보고, 다양한 형식으로 구성한 이미지 데이터에 따른 정확도를 평가함으로써 최적의 학습 모델을 제시한다. 실험에서는 YOLO의 다른 버전마다 구성한 학습 모델과 학습데이터를 구성하고, 정확도를 비교한다. 서로 다른 모델과 데이터의 비교우위를 통해 국산 차량 인식 모델 생성을 위한 적합한 학습데이터를 제공하고, 효율적인 학습 방안을 제시한다.
In order to create a classifier that can classify models of domestic vehicles, we build a dataset for domestic vehicles that have not existed before, and Domestic vehicle classifier was created through training of Region Convolution Neural Network (R-CNN) among the object recognition deep learning n...
In order to create a classifier that can classify models of domestic vehicles, we build a dataset for domestic vehicles that have not existed before, and Domestic vehicle classifier was created through training of Region Convolution Neural Network (R-CNN) among the object recognition deep learning networks suitable for image data learning. In order to collect vehicle images necessary for network training, a separate GUI(Graphical User Interface) program was implemented and learning data was constructed. This program can apply a crawling function that allows users to collect desired images from web pages, and Augmentation effects to increase the quantity of collected images. In addition, learning data can be generated by adding a function to perform an annotation process on the stored image data. In this case, the annotation function is connected to the program with the object recognition network so that the annotation function can be used when the button is clicked. In the training network, a region was created by grouping the objects of the image according to the characteristics of the deep learning model, and the region-convolution neural network (R-CNN) model was used to distinguish and recognize the objects of each region. Among the various networks that utilize the R-CNN algorithm method is the YOLO model, which boasts fast processing speed and high accuracy. This course examines the entire learning process for vehicle image data constructed using the YOLO model and proposes the optimal learning model by evaluating the accuracy of the image data composed of various formats. In the experiment, we construct the training model and training data that are composed for different versions of YOLO, and compare the accuracy. Through the comparative advantage of different models and data, we provide suitable learning data for domestic vehicle recognition model generation and suggest efficient learning method.
In order to create a classifier that can classify models of domestic vehicles, we build a dataset for domestic vehicles that have not existed before, and Domestic vehicle classifier was created through training of Region Convolution Neural Network (R-CNN) among the object recognition deep learning networks suitable for image data learning. In order to collect vehicle images necessary for network training, a separate GUI(Graphical User Interface) program was implemented and learning data was constructed. This program can apply a crawling function that allows users to collect desired images from web pages, and Augmentation effects to increase the quantity of collected images. In addition, learning data can be generated by adding a function to perform an annotation process on the stored image data. In this case, the annotation function is connected to the program with the object recognition network so that the annotation function can be used when the button is clicked. In the training network, a region was created by grouping the objects of the image according to the characteristics of the deep learning model, and the region-convolution neural network (R-CNN) model was used to distinguish and recognize the objects of each region. Among the various networks that utilize the R-CNN algorithm method is the YOLO model, which boasts fast processing speed and high accuracy. This course examines the entire learning process for vehicle image data constructed using the YOLO model and proposes the optimal learning model by evaluating the accuracy of the image data composed of various formats. In the experiment, we construct the training model and training data that are composed for different versions of YOLO, and compare the accuracy. Through the comparative advantage of different models and data, we provide suitable learning data for domestic vehicle recognition model generation and suggest efficient learning method.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.