최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.14 no.1, 2019년, pp.1 - 9
김현구 (Yeungnam University) , 유국열 (Yeungnam University) , 박주현 (Yeungnam University) , 정호열 (Yeungnam University)
In this paper, we propose a method of generating a 2D gray image from LiDAR 3D reflection intensity. The proposed method uses the Fully Convolutional Network (FCN) to generate the gray image from 2D reflection intensity which is projected from LiDAR 3D intensity. Both encoder and decoder of FCN are ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
KITTI 데이터는 무엇인가? | KITTI 데이터는 주간 환경에서 다양한 지역 (일반도로, 도시 및 주거지역 등)에서 라이더 및 카메라 센서 등 다중 센서를 사용하여 취득된 주행 환경 인식을 위한 데이터이다 [15]. 제안된 방법은 라이다 데이터로부터 그림자가 많은 주간과 야간의 경우에도 그림자가 없는 동일한 품질의 영상을 생성할 수 있도록 KITTI 데이터 중 그림자가 거의 없는 도로 영상만 선택하여 학습에 사용한다. | |
라이다 센서 데이터의 장점은 무엇인가? | 라이다 (LiDAR) 센서는 물체까지의 거리를 측정할 수 있고, 물체의 매질에 따른 반사율 (reflection intensity) 정보도 동시에 얻을 수 있다. 라이다 센서 데이터는 햇빛이나 그림자와 같은 주변의 밝기에 영향을 받지 않기 때문에 주간 및 야간에 상관없이 일정한 데이터를 얻을 수 있는 장점을 가지고 있다 [1-6]. 그러나 라이다 센서로 획득한 3차원 점-구름 (point-cloud) 데이터는 라이다의 스켄 각도에 따라 데이터가 희소한 (sparse) 특성이 있기 때문에 2차원 영상으로 변환 시 조밀하지 않아 정확하게 카메라로 획득한 영상과 정확히 매칭시키기 힘들다. | |
인코더-디코더 구조를 가진 FCN 모델을 사용하는 방법에는 무엇이 있는가? | 최근 딥러닝을 이용하여 제한된 정보를 가진 영상으로부터 고해상도의 정밀한 영상을 복원하거나 또는 다른 특성을 가진 영상을 생성시키는 연구가 진행되고 있다 [7-14]. 특히, 입력 데이터가 극단적으로 적은 스케치 영상으로부터 텍스쳐 정보를 채워 넣는 방법 [11, 12]과 열화상 카메라 센서 데이터로부터 컬러 영상을 생성하는 방법 [13, 14]도 연구되고 있다. 이 연구들은 공통적으로 영상 생성 모델로써 인코더-디코더 구조를 가진 FCN (Fully Convolutional Network 모델) [7, 8]을 기본적으로 사용한다. |
Y. Park, M. Lee, S. Hur, "Obstacle Classification Method Based on Single 2D LIDAR Database," IEMEK J. Embed. Sys. Appl., Vol. 10, No. 3, pp.179-188, 2015 (in Korean).
S. K. Kwon, E. Hyun, J. Lee, J. Lee, S. H. Son, "A Novel Human Detection Scheme Using a Human Characteristics Function in a Low Resolution 2D LIDAR," Journal of IEMEK J. Embed. Sys. Appl., Vol. 11, No. 5, pp.267-276, 2016 (in Korean).
D. S. Hall, "Color lidar scanner," U.S. Patent 8,675,181, Mar. 18, 2014.
T. D. Barfoot, C. McManus, S. Anderson, H. Dong, E. Beerepoot, C. H. Tong, P. Furgale, J. D. Gammell, J. Enright, "Into Darkness: Visual Navigation Based on a Lidar-intensity-image Pipeline," Proceedings of International Symposium Robotics Research, Vol. 114, pp. 487-504, 2016.
I. Ashraf, S. Hur, Y. Park, "An Investigation of Interpolation Techniques to Generate 2d Intensity Image from Lidar Data," Journal of IEEE Access, Vol. 5, pp. 8250-8260, 2017.
A. Asvadi, L. Garrote, C. Premebida, P. Peixoto, U. J. Nunes, "Realtime Deep Convnet-based Vehicle Detection Using 3d-lidar Reflection Intensity Data," Proceedings of Iberian Robotics Conference, Vol. 694, pp. 475-486, 2017.
V. Badrinarayanan, A. Kendall, R. Cipolla, “Segnet: A Deep Convolutional Encoder-decoder Architecture for Image Segmentation,” Journal of IEEE Transaction Pattern Anal. Mach. Intel., Vol. 39, No. 12, pp. 2481-2495, 2017.
R. Yasrab, N. Gu, X. Zhang, "An Encoder-decoder Based Convolution Neural Network (cnn) for Future Advanced Driver Assistance System (adas)," Journal of Applied Sciences, Vol. 7, No. 4, p. 312, 2017.
D. Varga, T. Szirnyi, "Fully Automatic Image Colorization Based on Convolutional Neural Network," Proceedings of IEEE International Conference Pattern Recognit., pp. 3691-3696, 2016.
F. Baldassarre, D. G. Morin, L. Rodes-Guirao, "Deep Koalarization: Image Colorization Using Cnns and Inception-resnet-v2," CoRR, Vol. abs/1712.03400, pp. 1-12, 2017.
P. Isola, J. Zhu, T. Zhou, A. A. Efros, "Image-to-image Translation with Conditional Adversarial Networks," CoRR, Vol. abs/1611.07004, pp. 1-17, 2016.
W. Chen, J. Hays, "Sketchygan: Towards Diverse and Realistic Sketch to Image Synthesis," Proceedings of IEEE Conference Comput. Vis. Pattern Recognit., pp. 9416-9425, 2018.
P. L. Surez, A. D. Sappa, B. X. Vintimilla, "Infrared Image Colorization Based on a Triplet Dcgan Architecture," Proceedings of IEEE Conference Comput. Vis. Pattern Recognit., pp. 212-217, 2017.
U. Qayynm, Q. Ahsan, Z. Mahmood, M. A. Chcmdary, "Thermal Colorization Using Deep Neural Network," Proceedings of IEEE Interenational Conference Applied Science Tech., pp. 325-329, 2018.
A. Geiger, P. Lenz, C. Stiller, R. Urtasun, “Vision Meets Robotics: The Kitti Dataset,” Journan of International J. Robotics Research, Vol. 32, No. 11, pp. 1231-1237, 2013.
D. P. Kingma, J. Ba, "Adam: A Method for Stochastic Optimization," CoRR, Vol. abs/1412.6980, pp. 1-15, 2014.
A. Hore, D. Ziou, "Image Quality Metrics: Psnr vs. ssim," Proceedings of IEEE Conference Pattern Recognit., pp. 2366-2369, 2010.
S. Hochreiter, “The Vanishing Gradient Problem During Learning Recurrent Neural Nets and Problem Solutions,” Journal of International J. Uncert., Fuzzi. and Knowledge-Based Syst., Vol. 6, No. 2, pp. 107-116, 1998.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.