최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기방송공학회논문지 = Journal of broadcast engineering, v.23 no.6, 2018년, pp.760 - 767
안남현 (서강대학교 전자공학과) , 강석주 (서강대학교 전자공학과)
Advanced driver assistance system(ADAS) is a major technique in the intelligent vehicle field. The techniques for ADAS can be separated in two classes, i.e., methods that directly control the movement of vehicle and that indirectly provide convenience to driver. In this paper, we propose a novel sys...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
야간 상황에서 안전사고가 발생할 가능성이 높은 이유는? | 교통안전 사고의 상당 부분은 야간에 발생한다. 야간 상황에서 운전자는 시각적 제한을 받기 때문에 인지적 오류로 인한 안전사고가 발생할 가능성이 높다[3]. 헤드라이트의 밝기와 각도 조절을 통해 운전자의 시야를 확보할 수 있지만, 이는 맞은편 차량의 시야를 제한하는 문제를 야기할 수 있다[4]. | |
ADAS 기술을 두 종류로 구분하면? | ADAS 기술은 크게 두 종류로 구분될 수 있다. 첫 번째로 차량 외부 상황을 인식하고 직접적으로 차량을 제어하는 방식의 기술이 있다. 차선을 인식하고 차량이 차선 밖으로 이탈하지 않도록 제어하는 차선 이탈 제어 시스템과 전방 차량과의 거리를 인식하고 충돌하지 않도록 차량을 제어하는 전방 추돌 방지 시스템 등이 있다[1]. 외부 상황에 대한 인식 기술은 최근 상당한 기술적 발전을 이루었지만, 날씨나 측광에 따라 인식 성능이 저하되는 문제점이 여전히 존재한다[2]. | |
적응적 헤드라이트 조절 시스템이란 무엇인가? | 이와 달리 직접적으로 차량을 제어하지 않고 간접적으로 운전자에게 편의를 제공하는 ADAS 기술이 있다. 운전자의 졸음 상태를 인식하고 경고하는 졸음 인식 시스템과 맞은편 차선의 차량을 인식하고 헤드라이트의 방향을 조절하는 적응적 헤드라이트 조절 시스템 등이 있다[1]. 관련 기술들은 직접적으로 차량 제어에 관여하지 않으므로 오작동으로 인한 사고의 위험성이 적으며, 상용화에 직결될 수 있는 기술이다. |
S. Plainis and IJ. Murray, "Reaction times as an index of visual conspicuity when driving at night", Ophthalmic Physiol Opt., Vol.22, No.5, pp.409-415, Sep, 2002.
T. Hacibekir, S. Karaman, E. Kural, E.S. Ozturk, M. Demirci and B. Aksun Guvenc, "Adaptive Headlight System Design Using Hardware- In-The-Loop Simulation", 2006 IEEE Conference on Computer Aided Control System Design, 2006 IEEE International Conference on Control Applications, 2006 IEEE International Symposium on Intelligent Control, Munich, Germany, pp.2165-3011, October, 2006, doi:10.1109/CACSD-CCA-ISIC.2006. 4776767.
A. A. Efros and T. K. Leung. "Texture synthesis by non-parametric sampling", In ICCV, 1999.
A. Hertzmann, C. E. Jacobs, N. Oliver, B. Curless, and D. H. Salesin. "Image analogies". In SIGGRAPH, pp.327-340. ACM, 2001.
J. Zhu, T. Park, P. Isola, and A.A. Efros, "Unpaired image-to-image translation using cycle-consistent adversarial networks", In ICCV, 2017.
I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and Y. Bengio. "Generative adversarial nets". In NIPS, 2014.
X. Mao, Q. Li, H. Xie, R. Y. Lau, Z. Wang, and S. P. Smolley. "Least squares generative adversarial networks", In CVPR, 2017.
S.-D. Chen, and A. R. Ramli, "Contrast enhancement using recursive mean-separate histogram equalization for scalable brightness preservation," IEEE Transactions on Consumer Electronics, Vol. 49, No. 4, pp.1301-1309, 2003.
W. Kubinger, M. Vincze and M. Ayromlou, "The role of gamma correction in colour image processing," 9th European Signal Processing Conference (EUSIPCO 1998), Rhodes, pp. 1-4, 1998.
T. Salimans, I. Goodfellow, W. Zaremba, V. Cheung, A. Radford, and X. Chen, "Improved techniques for training gans," In Advances in Neural Information Processing Systems, pp. 2234-2242, 2016.
Zhang, Y., Li, K., Li, K., Wang, L., Zhong, B., Fu, Y.: Image super-resolution using very deep residual channel attention networks. In ECCV. 2018.
Ke Gu, Jun Zhou, Jun-Fei Qiao, Guangtao Zhai, Weisi Lin, Alan Conrad Bovik, "No-reference quality assessment of screen content pictures," IEEE Transactions on Image Processing (T-IP), vol. 26, no. 8, pp. 4005-4018, Aug. 2017.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna. Rethinking the inception architecture for computer vision. In CVPR, 2016.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.