$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝 기반 객체 인식 기술 동향
Trends on Object Detection Techniques Based on Deep Learning 원문보기

전자통신동향분석 = Electronics and telecommunications trends, v.33 no.4, 2018년, pp.23 - 32  

이진수 (지식이러닝연구그룹) ,  이상광 (지식이러닝연구그룹) ,  김대욱 (지식이러닝연구그룹) ,  홍승진 (홍익대학교 게임학부) ,  양성일 (지식이러닝연구그룹)

Abstract ▼ AI-Helper 아이콘AI-Helper

Object detection is a challenging field in the visual understanding research area, detecting objects in visual scenes, and the location of such objects. It has recently been applied in various fields such as autonomous driving, image surveillance, and face recognition. In traditional methods of obje...

참고문헌 (28)

  1. M. Everingham et al., "The Pascal Visual Object Classes (VOC) Challenge," Int. J. Comput. Vision, vol. 88, no. 2, June 2010, pp. 303-338. 

    상세보기 crossref

  2. O. Russakovsky et al., "ImageNet Large Scale Visual Recognition Challenge," Int. J. Comput. Vision, vol. 115, no. 3, Dec. 2015, pp. 211-252. 

    상세보기 crossref

  3. T. Lin et al., "Microsoft COCO: Common Objects in Context," Eur. Conf. Comput. Vision(ECCV), Amsterdam, Netherlands, Oct. 8-16, 2014, pp. 740-755. 

  4. D.G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," Int. J. Comput. Vision, vol. 60, no. 2, 2004, pp. 91-110. 

    상세보기 crossref

  5. H. Bay et al., "Speeded-Up Robust Features (SURF)," Comput. Vision Image Understanding, vol. 110, no. 3, 2008, pp. 346-359. 

    상세보기 crossref

  6. P. Viola and M. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features," Proc. IEEE Conput. Soc. Conf. Comput. Vision Pattern Recogn., Kauai, HI, USA, Dec. 8-14, 2001, pp. I:511-I:518 

  7. N. Dalal and B. Triggs, "Histograms of Oriented Gradients for Human Detection," IEEE Comput. Soc. Conf. Comput. Vision Pattern Recogn., San Diego, CA, USA, June 20-25, 2015, pp. 886-893. 

  8. P.F. Felzenszwalb et al., "Object Detection with Discriminatively Trained Part-Based Models," IEEE Trans. Pattern Anal. Mach. Intell., vol. 32, no. 9, 2010, pp. 1627-1645. 

  9. A. Krizhevsky et al, "ImageNet Classification with Deep Convolutional Neural Networks," Conf. Neural Inform. Process. Syst., Lake Tahoe, NV, USA, Dec. 3-6, 2012, pp. 1097-1105. 

  10. Y. Lecun et al., "Gradient-Based Learning Applied to Document Recognition," Proc. IEEE, vol. 86, no. 11, Nov. 1998, pp. 2278-2324. 

    상세보기 crossref

  11. M.D. Zeiler and R. Fergus, "Visualizing and Understanding Convolutional Networks," Eur. Conf. Comput. Vision(ECCV), Amsterdam, Netherlands, Oct. 8-16, 2014, pp. 818-833. 

  12. K. Simonyan et al., "Very Deep Convolutional Networks for Large-Scale Image Recognition," Int. Conf. Learning Representations, San Diego, USA, May 7-9, 2015. 

  13. K. He et al., "Deep Residual Learning for Image Recognition," IEEE Conf. Comput. Vision Pattern Recogn., Las Vegas, NV, USA, June 27-30, 2016, pp. 770-778. 

  14. C. Szegedy et al., "Going Deeper with Convolutions," IEEE Conf. Comput. Vision Pattern Recogn., Boston, MA, USA, June 7-12, 2015, pp. 1-9. 

  15. G. Huang et al., "Densely Connected Convolutional Networks," IEEE Conf. Comput. Vision Pattern Recogn., Honolulu, HI, USA , July 21-26, 2017, pp. 2261-2269. 

  16. R. Girshick et al., "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation," IEEE Conf. Comput. Vision Pattern Recogn., Columbus, OH, USA, June 23-28, 2014, pp. 580-587. 

  17. R. Girshick, "Fast R-CNN," IEEE Int. Conf. Comput. Vision, Santiago, Chile, Dec. 7-13, 2015, pp. 1440-1448. 

  18. S. Ren et al., "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks," IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, 2017, pp. 1137-1149. 

    상세보기 crossref

  19. J. Dai et al., "R-FCN: Object Detection via Region-based Fully Convolutional Networks," Conf. Neural Inform. Process. Syst., Barcelona, Spain, Dec. 4-6, 2016, pp. 379-387. 

  20. J. Redmon et al., "You Only Look Once: Unified, Real-Time Object Detection," IEEE, Conf. Comput. Vision Pattern Recogn., Las Vegas, NV, USA, June 27-30, pp.779-788. 

  21. W. Liu et al., "SSD: Single Shot MultiBox Detector," Eur. Conf. Comp. Vision, Amsterdam, Netherlands, Oct. 8-16, 2016, pp. 21-37. 

  22. J.R.R. Uijlings et al., "Selective Search for Object Recognition," Int. J. Comput. Vision, vol. 104, no. 2, 2013, pp. 154-171. 

    상세보기 crossref

  23. N. Srivastava et al., "Dropout: A Simple Way to Prevent Neural Networks from Overfitting," J. Mach. Learning Res., vol. 15, 2014, pp. 1929-1958. 

  24. C. Szegedy et al., "Rethinking the Inception Architecture for Computer Vision," Comput. Vision Pattern Recogn., Las Vegas, NV, USA, June 27-30, 2016, pp. 2818-2826. 

  25. C. Szegedy et al., "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning," AAAI Conf. Artif. Intell., San Francisco, CA, USA, Feb. 4-9, 2017, pp. 4278-4284. 

  26. J. Huang et al., "Speed/Accuracy Trade-offs for Modern Convolutional Object Detectors," Comput. Vision Pattern Recogn., Honolulu, HI, USA, July 22-24, 2017, pp. 7310-7319. 

  27. K. He et al., "Mask R-CNN," IEEE Int. Conf. Comput. Vision, Venice, Italy, Oct. 22-29, 2017, pp. 2980-2988. 

  28. J. Long et al., "Fully Convolutional Networks for Semantic Segmentation," IEEE Conf. Comput. Vision Pattern Recogn., Boston, MA, USA, june 7-12, pp. 3431-3440. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로