선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 정확한 해파리 개체의 인식이 아닌 전체적인 해파리 분포도 측정을 목적으로 설정하였기 때문에 인식률 90% 수준이면 충분하다고 판단하였다. 또한 무인기는 해상에서 고도 4 m 내외, 속도 2 m/s로 등속 비행하며 설치된 카메라의 시야각(FOV, field of view)를 고려하였을 때 무인기의 진행 방향에서 새롭게 등장한 해파리가 시야에서 사라질 때까지 최소 10번 이상 인식되는 것을 목표로 한다. 이러한 조건을 만족하기 위해서는 최소 6.
- 본 장에서는 해파리 분포 인식을 위한 심층 신경망 개발 과정에 대하여 소개한다. 본 논문에서 목적으로 하는 로봇 플랫폼을 사용한 실시간 해파리 분포 인식 실현을 위해 높은 인식률을 가지면서 연산 속도가 빠른 신경망 구조를 개발하는데 초점을 맞추었다. 이를 위해 LeNet-5[5], AlexNet[6], GoogLeNet[7]과 같은 잘 알려진 신경망 구조를 참고로 하였으며 실험적인 과정으로 다양한 구조를 만들어 평가해 봄으로써 가장 적합한 구조를 도출하였다.
- 추가적으로 부피가 작고 무게가 가벼워 이동성까지 확보할 수 있다. 본 논문에서 무인기를 활용하는 목적은 항공사진을 바탕으로 한 눈에 해파리 분포를 파악하기 위함이다. 이러한 로봇 시스템을 구축하기 위한 하드웨어에 대해서 소개한다.
- 본 장에서는 해파리 분포 인식을 위한 과정을 소개한다. 본 논문에서 제안하는 신경망을 바탕으로 알고리즘을 구성하였으며 해당 알고리즘이 해파리 분포 인식에 있어서 좋은 성능을 발휘할 수 있게 하는 전처리 및 후처리 과정에 대해 소개한다. 학습된 신경망을 이용하여 실시간 성능을 발휘하기 위해서는 한 프레임 안에서 입력 영상으로 사용되는 후보군의 개수가 중요하다.
- 본 논문에서는 convolutional neural network 구조를 활용하여 해파리 무리를 찾는 방법을 제안하고자 한다. 또한 해양 환경에서 신속하게 해파리 분포를 파악하기 위해서는 수면을 한눈에 볼 수 있어야 한다.
- 이러한 방식은 해파리와 같이 특징이 모호한 물체를 검출하는 데 한계가 있다. 본 논문에서는 이러한 한계를 인공지능 알고리즘을 통해 극복하고자 하였다.
- 본 논문에서는 인식 정확도 90% 이상과 해파리 분포 인식 알고리즘이 CPU만으로 6.3 Hz 이상 동작하는 것을 목표로 한다. 본 논문에서는 정확한 해파리 개체의 인식이 아닌 전체적인 해파리 분포도 측정을 목적으로 설정하였기 때문에 인식률 90% 수준이면 충분하다고 판단하였다.
- 3 Hz 이상 동작하는 것을 목표로 한다. 본 논문에서는 정확한 해파리 개체의 인식이 아닌 전체적인 해파리 분포도 측정을 목적으로 설정하였기 때문에 인식률 90% 수준이면 충분하다고 판단하였다. 또한 무인기는 해상에서 고도 4 m 내외, 속도 2 m/s로 등속 비행하며 설치된 카메라의 시야각(FOV, field of view)를 고려하였을 때 무인기의 진행 방향에서 새롭게 등장한 해파리가 시야에서 사라질 때까지 최소 10번 이상 인식되는 것을 목표로 한다.
- 즉, 실험적으로 평가하여 높은 성능을 가지는 신경망 구조를 찾아내었다. 본 연구에서 목표로 하는 신경망 구조는 인식 정확도와 인식속도 사이의 적절한 균형에 초점을 맞추어 개발되었다. 이는 로봇 플랫폼에서 저전력으로 연산해야 하는 조건에 충족하기 위함이다.
- 본 절에서는 제안하는 신경망 구조를 학습시키는 과정에 대해서 소개한다. 위에서 소개한 신경망 구조와 더불어 해양 환경 데이터를 적용하여 학습을 진행하면서 설정한 하이퍼파라메터에 대한 분석도 언급한다.
- 본 절에서는 제안하는 신경망 구조에 대해 기술한다. 제안하는 신경망 구조는 다양한 신경망 구조를 참고하고 이를 변형하여 만든 후 평가하는 방식으로 만들어졌다.
- 본 논문에서 무인기를 활용하는 목적은 항공사진을 바탕으로 한 눈에 해파리 분포를 파악하기 위함이다. 이러한 로봇 시스템을 구축하기 위한 하드웨어에 대해서 소개한다. 또한 해파리 분포 인식 시스템에서 필요한 성능이 어떤 것인지 명시할 것이다.
- 전지구적 문제인 해파리 개체 증가를 로봇과 인공지능을 결합하여 해결하고자 하였다. 해파리의 특징을 정의하는 것은 매우 어려운 일이다.
- 해파리 분포 모니터링 시스템을 위한 무인기를 구성하기 위해 필요한 성능을 확인한다. 첫째로, 해양 환경에서 안정적인 비행이 가능해야 한다.
- 이렇게 완성된 후보군을 모두 신경망의 입력으로 하여 예측하고 그 확률을 바탕으로 해파리 분포 정도를 계산한다. 해파리 분포도를 계산할 때 시간의 흐름을 고려한 분포도 맵을 생성하는 방법에 대해서도 소개한다.
가설 설정
- 이 과정에서 해파리 분포 맵을 만드는데 먼저 분포 맵 리스트를 만들고 그 리스트의 버퍼 크기를 설정한다. 본 논문에서는 버퍼 크기를 8로 설정했다. 이는 8 프레임을 모두 조합하여 해파리 분포를 파악한다는 의미인데 시간의 흐름을 반영하여 강인한 해파리 분포 인식을 달성하기 위함이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.