$\require{mediawiki-texvc}$

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.

CNN 기반의 물고기 탐지 알고리즘 구현
Implementation of Fish Detection Based on Convolutional Neural Networks 원문보기

반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.19 no.3, 2020년, pp.124 - 129  

이용환 (원광대학교 디지털콘텐츠공학과) ,  김흥준 (경남과학기술대학교 컴퓨터공학과)

Abstract ▼ AI-Helper 아이콘AI-Helper

Autonomous underwater vehicle makes attracts to many researchers. This paper proposes a convolutional neural network (CNN) based fish detection method. Since there are not enough data sets in the process of training, overfitting problem can be occurred in deep learning. To solve the problem, we appl...

주제어

#Fish Detection   #Object Tracking   #Deep Learning   #Convolutional Neural Networks  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 연구에서는 여러 종의 물고기 탐지를 위해 손실 함수를 개선 수정한다. 학습 데이터 소스가 적어 발생될 수 있는 과적합 문제를 해결하기 위해, 비용 함수 뒤에 정규화 함수를 추가하여 L2 정규화 식을 수식 (6)과 같이 수정한다.
  • 본 연구의 목적은 AUV 장치에 내장된 카메라를 통해 실제 해수에서 물체 감지 방식을 연구하고 물고기를 대상으로 객체 검출 및 추적 시스템을 구축하는 데에 있다. 이를 위해, 본 논문에서는 저해상도 카메라를 장착한 온보드상에서 여러 종류의 물고기를 대상으로 물고기 객체 인식을 위한 학습 모델을 구축하고, 물고기 객체를 검출하는 알고리즘을 구현한다.
  • 본 연구의 주요 목적은 맑지 않는 바닷물에서 물고기를 정확하게 식별하는 딥러닝 기반의 물고기 식별 알고리즘 설계에 있다. 이를 위해 적용 가능한 신경망(Neural Network) 기술을 반영하고 컴퓨터 비전 기술을 통해 AUV 시스템을 구축하는 것이다.

가설 설정

  • 이미지의 대상 객체의 위치를 예측하기 위해 대상 객체의 경계 영역을 표시한다. Ground truth와 예측 사이에는 항상 오류가 있을 수 있다. 손실(Loss) 함수는 좌표 오차, IoU 오차, 클래스 오차의 3부분으로 구성된 오차를 측정하며, 수식 (2)와 같이 계산된다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
AVU에서 반드시 필요한 기능 중에 하나는 무엇인가? 이러한 AVU에는 자율 주행 자동차와 마찬가지로, 내비게이션 시스템, 관성 측정 장치 및 다양한 센서를 장착하여, 바닷속을 주행해야 한다. 특히, 카메라 등으로 움직이는 대상 물체 탐색이 반드시 필요한 기능 중에 하나가 될 것이다[3]. 지난 몇 년간, 움직이는 물체 탐지는 비디오 감시, 인간 동작 분석, 로봇 내비게이션, 보안, 자율 주행과 같은 광범위한 응용 분야에서 많은 관심을 보였으며[24, 25], 장면 변경, 조명, 그림자 등 발생되는 다양한 문제성을 해결하기 위해 상황에 적합한 알고리즘 적용이 요구된다[26].
컴퓨터 비전은 어떤 분야인가? 컴퓨터 비전은 이미징 센서가 있는 컴퓨터를 이용하여 얻어진 데이터셋에서 특징을 추출하고 분석, 분류하여 의사 결정을 지원하는 시스템으로, 인간의 시각 기능을 모방한 기술 분야이다[4]. 여기에는 영상 처리, 인공지능 등과 같은 많은 지식 분야가 포함되며, 여러 가지 대표 사례를 뽑을 수 있다.
AVU에는 어떤 장치를 장착해야 하는가? 최근에 로봇 공학 기술이 일상 생활에 널리 반영되면서 로봇 유형을 갖는 자율 수중 이동체(AUV, Autonomous Underwater Vehicle)에 많은 관심을 갖게 되었다[1,2]. 이러한 AVU에는 자율 주행 자동차와 마찬가지로, 내비게이션 시스템, 관성 측정 장치 및 다양한 센서를 장착하여, 바닷속을 주행해야 한다. 특히, 카메라 등으로 움직이는 대상 물체 탐색이 반드시 필요한 기능 중에 하나가 될 것이다[3].
질의응답 정보가 도움이 되었나요?

참고문헌 (27)

  1. R. B. Wynn, V. A. I. Huvenne, T. P. Le Bas et al., "Autonomous underwater vehicles (AUVs): their past, present and future contributions to the advancement of marine geoscience," Marine Geology, vol. 352, pp. 451-468, 2014. 

    상세보기

  2. M. Dinc and C. Hajiyev, "Integration of navigation systems for autonomous underwater vehicles," Journal of Marine Engineering & Technology, vol. 14, no. 1, pp. 32-43, 2015. 

  3. C. Winchester, J. Govar, J. Banner, T. Squires, P. Smith, "A survey of available underwater electric propulsion technologies and implications for platform system safety", Workshop on Autonomous Underwater Vehicles, 2002. 

  4. Bo Zhang, "Computer Vision vs. Human Vision", International Conference on Cognitive Informatics, 2010. 

  5. C.-F. Chien, Y.-J. Chen, Y.-T. Han et al., "AI and big data analytics for wafer fab energy saving and chiller optimization to empower intelligent manufacturing," Proceedings of e-Manufacturing & Design Collaboration Symposium, pp. 1-4, 2018. 

  6. S. Biswas, Y. Wang, S. Cui, "Surgically altered face detection using log-gabor wavelet", International Conference on Wavelet Active Media Technology and Information Processing, pp. 154-157, 2015. 

  7. Eman Abdel-Maksoud, Mohammed Elmogy, and Rashid Al-Awadi, "Brain tumor segmentation based on a hybrid clustering technique," Egyptian Informatics Journal, vol. 16, no. 1, pp. 71-81, 2015. 

    상세보기 crossref

  8. Y. Wang, Y. Lan, Y. Zheng, K. Lee, S. Cui, and J. Lian, "A UGV-based laser scanner system for measuring tree geometric characteristics," International Symposium on Photoelectronic Detection and Imaging, vol. 8905, 2013. 

  9. B. Marr, "Key milestones of Waymo - Google's selfdriving cars," https://www.forbes.com/sites/bernardmarr/2018/09/21/key-milestones-of-waymo-googles-self-driving-cars/#3831b2965369 

  10. Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998. 

    상세보기 crossref

  11. Manish I. Patel, Sirali Suthar, Jil Thakar, "Survey on Image Compression using Machine Learning and Deep Learning", International Conference on Intelligent Computing and Control Systems, 2019. 

  12. Jonathan Rogers, Dylan Simmons, Milesh Shah, Connor Rowland, Yi Shang, "Deep Learning at Your Fingertips", Consumer Communication and Networking Conference, 2019. 

  13. A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet classification with deep convolutional neural networks," Advances in Neural Information Processing Systems, vol. 25, pp. 1106-1114, 2012. 

  14. R. Girshick, "Fast R-CNN," in 2015 IEEE International Conference on Computer Vision, pp. 1440-1448, 2015. 

  15. Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, Philip S. Yu, "A Comprehensive Survey on Graph Neural Networks", IEEE Transactions on Neural Networks and Learning Systems, pp.1-21, 2020. 

  16. S. Hassairi, R. Ejbali, and M. Zaied, "A deep convolutional neural wavelet network to supervised Arabic letter image classification," International Conference on Intelligent Systems Design and Applications, pp. 207-212, 2015. 

  17. D. Zhang, G. Kopanas, C. Desai, S. Chai, and M. Piacentino, "Unsupervised underwater fish detection fusing flow and objectiveness", Winter Applications of Computer Vision Workshops, pp. 1-7, 2016. 

  18. Deep learning and machine learning, https://ireneli.eu/2016/02/03/deep-learning-05-talk-about-convolutionalneural-network. 

  19. J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You only look once: unified, real-time object detection", Conference on Computer Vision and Pattern Recognition, pp. 779-788, 2016. 

  20. Website: ImageNet, http://image-net.org/about-overview. 

  21. J. Gaya, L. T. Goncalves, A. Duarte, B. Zanchetta, P. Drews, S. Botelho, "Vision-based obstacle avoidance using deep learning," Latin American Robotics Symposium and Brazilian Robotics Symposium, pp. 7-12, 2016. 

  22. Ledan Qian, Libing Hu, Li Zhao, Tao Wang, Runhua Jiang, "Sequence-Dropbox Block for Reducing Overfitting Problem in Image Classification", IEEE Access, vol.8, 2020. 

  23. N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov, "Dropout: a simple way to prevent neural networks from overfitting", Journal of Machine Learning Research, vol. 15, pp. 1929-1958, 2014. 

  24. Jaya S. Kulchandani, Kruti J. Dangarwala, "Moving Object Detection: Review of Resent Research Trends", International Conference on Pervasive Computing, 2015. 

  25. Aayushi Gautam, Sukhwinder Singh, "Trends in Video Object Tracking in Surveillance: A Survey", International Conference on IoT in Social Mobile Analytics and Cloud, 2019. 

  26. Sonali S. Mengane, Amar A. Dum, "Improved Object Tracking Techniques using Hybrid Approach", International Conference on Trends in Electronics and Informatics, 2019. 

  27. Hyng-il Kim, Woontack Woo, "Smartwatch-assisted Robust 6-DOF Hand Tracker for Object Manipulation in HMD-based Augmented Reality", IEEE Symposium on 3D User Interfaces, 2016. 

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
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