최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기융합정보논문지 = Journal of Convergence for Information Technology, v.9 no.5, 2019년, pp.21 - 26
고형용 (경기대학교 컴퓨터과학과) , 김남기 (경기대학교 컴퓨터과학과)
도심지에는 상 하수관로, 가스관, 수소관 등 필요에 따라 여러 가지 배관이 매설된다. 매설된 배관은 시간이 경과됨에 따라 균열 등으로 노후화되면서 폭발, 누수 등의 사고 발생 위험을 가지게 된다. 이러한 위험을 방지하기 위해 많은 노후 배관 수리, 교체되지만, 배관의 위치 또한 변경될 수 있다. 변경된 배관의 위치를 확인하지 못하면 배관을 건드려서 사고가 발생할 수 있다. 본 논문에서는 GPR을 사용하여 지하 단면 영상을 얻고, Faster R-CNN을 활용하여 지하 배관의 위치를 추정해보고, augmentation을 적용하여 부족한 데이터를 늘려서 실험을 진행하였다.
Various pipes are buried in the city as needed, such as water pipes, gas pipes and hydrogen pipes. As the time passes, buried pipes becomes aged due to crack, etc. these pipes has the risk of accidents such as explosion and leakage. To prevent the risks, many pipes are repaired or replaced, but the ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
배관 위치를 추정을 위해 augmentation을 적용하여 학습을 진행했을 때 어떤 결과를 얻을 수 있는가? | 원본 실험데이터가 불충분하므로 augmentation은 400장까지만 진행하였다. 결과에서 확인할 수 있듯이 데이터의 수가 늘어날수록 정확도가 향상되는 것을 확인할 수 있다. 또한 100-300장까지는 stepsize 1000에서 최적의 성능을 보여주고 있고, 400장은 stepsize 1500에서 최적의 성능을 보여주고 있다. 그 이후로는 비슷한 이미지가 너무 많이 학습되어서 오버피팅되는 결과가 나타났다. | |
GPR의 역할은 무엇인가? | 이를 해결하기 위해 GPR(Ground Penetrating Radar)와 Faster R-CNN (Faster Region-based Convolutional Neural Network)을 활용해보고자 한다. GPR은 지하에 묻힌 물체를 탐지하기 위해 송신 안테나로부터 전자파를 방사하여 되돌아오는 반사파를 수신해서 지하영상 단면화를 수행한다[1]. 그리고 GPR에서 얻은 지하영상 단면은 해당 지하 지점의 토지상태, 금속류의 물체 위치 등을 대략적으로 파악할 수 있다. | |
Selective Search 알고리즘을 RPN으로 대체하여 얻은 장점은? | Selective Search 알고리즘은 Region Proposal에서 좋은 성과를 보였지만, CPU에서 동작해서 전체적인 학습 및 추론 시간에서 Selective Search 알고리즘으로 인해 병목현상이 발생해서 전체적인 속도가 느려진다. 이에 비해 RPN은 GPU에서도 동작이 되고, Faster R-CNN와 네트워크를 공유해서 계산속도가 향상되고, 정확도도 향상되었다[8,9]. 그래서 Faster R-CNN은 RPN과 Object Detection으로 구성된다. |
D. Daniels. (2004). Ground penetrating rader. The Institution of Engineering and Technology Publishing.
M. G. Huici. (2013). Accurate ground penetrating radar numerical modeling for automatic detection and recognition of antipersonnel landmines. Doctoral dissertation. Rheinischen Friedrich Wilhelms Universitat Bonn, Bonn.
Q. Dou, L. Wei, D. R. Magee & A. G. Cohn. (2017). Real-time hyperbola recognition and fitting in GPR data. IEEE Transactions on Geoscience and Remote Sensing, 55(1), 51-62. DOI : 10.1109/TGRS.2016.2592679
S. Ren, K. He, R. Girshick & J. Sun. (2017). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137-1149. DOI : 10.1109/TPAMI.2016.2577031
S. J. Shin, J. K. Park, Y. Y. Kim, J. H. Jang & I. C. Moon. (2017). Analsys of the effect of convolutional neural network model on training and prediction in Faster R-CNN. Journal of Korean Institute of Industrial Engineers, 1-5.
K. Simonyan & A. Zisserman. (2015, Apr). Very deep convolutional networks for large-scale image recognition. Proceedings of International Conference on Learning Representations (pp. 1-14).
C. J. Kim, S. K. Ko, B. E. Kim, H. D. Jung & C. S. Cho. (2018). Object detection based on data augmentation using image rotation. Journal of Institute of Electronics and Information Engineers, 545-548.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.