$\require{mediawiki-texvc}$

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.

객체 인식 정확도 개선을 위한 이미지 초해상도 기술
Image Super-Resolution for Improving Object Recognition Accuracy 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.25 no.6, 2021년, pp.774 - 784  

이성진 (Department of AI Convergence, Chonnam National University) ,  김태준 (Department of SW Engineering, Chonnam National University) ,  이충헌 (Department of SW Engineering, Chonnam National University) ,  유석봉 (Department of AI Convergence, Chonnam National University)

초록
AI-Helper 아이콘AI-Helper

객체 검출 및 인식 과정은 컴퓨터비전 분야에서 매우 중요한 과업으로써, 관련 연구가 활발하게 진행되고 있다. 그러나 실제 객체 인식 과정에서는 학습된 이미지 데이터와 테스트 이미지 데이터간 해상도 차이로 인하여 인식기의 정확도 성능이 저하되는 문제가 종종 발생한다. 이를 해결하기 위해 본 논문에서는 객체 인식 정확도 향상을 위한 이미지 초해상도 기법을 제안하여 객체 인식 및 초해상도 통합 프레임워크를 설계하고 개발하였다. 세부적으로는 11,231장의 차량 번호판 훈련용 이미지를 웹 크롤링, 인조데이터 생성 등을 통해 자체적으로 구축하고, 이를 활용하여 이미지 좌우 반전에 강인하도록 목적함수를 정의하여 이미지 초해상도 인공 신경망을 훈련시켰다. 제안 방법의 성능을 검증하기 위해 훈련된 이미지 초해상도 및 번호 인식기 1,999장의 테스트 이미지에 실험하였고, 이를 통해 제안한 초해상도 기법이 문자 인식 정확도 개선 효과가 있음을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The object detection and recognition process is a very important task in the field of computer vision, and related research is actively being conducted. However, in the actual object recognition process, the recognition accuracy is often degraded due to the resolution mismatch between the training i...

주제어

#이미지 초해상도   #객체 인식   #웹 크롤링   #인조데이터 생성   #이미지 좌우 반전  

표/그림 (20)

참고문헌 (25)

  1. C. Dong, C. C. Loy, K. He, and X. Tang, "Image super-resolution using deep convolutional networks," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 38, no. 2, pp. 295-307, Feb. 2016. 

    상세보기 crossref

  2. W. T. Freeman, T. R. Jones, and E. C. Pasztor, "Example-bas ed super-resolution," IEEE Computer Graphics and Applications, vol. 22, no. 2, pp. 56-65, Mar-Apr. 2002. 

    상세보기 crossref

  3. J. Yang, J. Wright, T. Huang, and Y. Ma, "Image super-resolution as sparse representation of raw image patches," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, Anchorage, AK, USA, pp. 1-8, 2008. 

  4. C. Dong, C. C. Loy, and X. Tang, "Accelerating the super-resolution convolutional neural network," in Proceeding of the European Conference on Computer Vision, Springer, Cham. pp. 391-407, Aug. 2016. 

  5. W. Shi, J. Caballero, F. Huszar, J. Totz, A. P. Aitken, R. Bishop, D. Rueckert, and Z. Wang, "Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1874-1883, Sep. 2016. 

  6. K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778, Jun-Jul. 2016. 

  7. B. Lim, S. Son, H. Kim, S. Nah, and K. M. Lee, "Enhanced Deep Residual Networks for Single Image Super-Resolution," in Proceeding of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops, Honolulu, HI, USA, pp. 1132-1140, 2017. 

  8. K. Simonyan and A. Zisserman. "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409.1556, 2014. 

  9. J. W. Kim, J. K. Lee, and K. M. Lee, "Accurate image super-resolution using very deep convolutional networks," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1646-1654, 2016. 

  10. G. Huang, Z. Liu, L. Maaten, and K. Q. Weinberger, "Densely Connected Convolutional Networks," in Proceeding of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops, Honolulu, HI, USA, pp. 2261-2269, 2017. 

  11. M. Haris, G. Shakhnarovich, and N. Ukita, "Deep back-projection networks for super-resolution," in Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1664-1673, Mar. 2018. 

  12. Y. Zhang, Y. Tian, Y. Kong, B. Zhong, and Y. Fu, "Residual dense network for image super-resolution," in Proceeding of the IEEE conference on Computer Vision and Pattern Recognition, pp. 2472-2481, Mar. 2018. 

  13. Y. Guo, J. Chen, J. Wang, Q. Chen, J. Cao, Z. Deng, Y. Xu, and M. Tan, "Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution," in Proceeding of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 5407-5416, May. 2020. 

  14. K. Zhang, L. V. Gool, and R. Timofte, "Deep unfolding network for image super-resolution," in Proceeding of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 3217-3226, Mar. 2020. 

  15. J. W. Soh, S. Cho, and N. I. Cho, "Meta-Transfer Learning for Zero-Shot Super-Resolution," in Proceeding of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 3516-3525, Feb. 2020. 

  16. J. H. Lee, S. M. Cho, S. J. Lee, and C. H. Kim, "License Plate Recognition System Using Synthetic Data," Journal of the Institute of Electronics and Information Engineers, vol. 57, no. 1, pp. 107-115, Jan. 2020. 

    상세보기 crossref

  17. Y. J. Lee, S. J. Kim, K. M. Park, and K. M. Park, "Comparison of number plate recognition performance of Synthetic number plate generator using 2D and 3D rotation," The Korean Institute of Broadcast and Media Engineers Summer Conference, pp. 141-144, Jul. 2020. 

  18. Z. Sergey and G. Alexey, "LPRNet: License Plate Recognition via Deep Neural Networks," arXiv preprint arXiv:1806.10447, Jun. 2018. 

  19. W. Liu, D. Anguelov, D. Derhan, C. Szegedy, S. Reed, C. Y. Fu, and A. C. Berg, "SSD: Single Shot MultiBox Detector," in Proceeding of the European Conference on Computer Vision, pp. 21-37, Dec. 2016. 

  20. Z. Xu, W. Yang, A. Meng, N. Lu, H. Huang, C. Ying, and L. Huang, "Towards end-to-end license plate detection and recognition: A large dataset and baseline," in Proceeding of the European Conference on Computer Vision, pp. 261-277, Sep. 2018. 

  21. H. C. Lee, "Design and Implementation of Efficient Place Number Region Detecting System in Vehicle Number Plate Image," Korea Society Of Computer Information Journal, vol. 10, no. 5, pp. 87-93, Nov. 2005. 

  22. Translate darknet to tensorflow [Internet]. Available: https://github.com/thtrieu/darkflow. 

  23. S. B. Yoo and M. Han, "Temporal matching prior network for vehicle license plate detection and recognition in videos," ETRI Journal, vol. 42, no. 3, pp. 411-419, Feb. 2020. 

    원문보기 상세보기 crossref

  24. J. H. Baek and N. H. Kim, "Noise Removal Method using Entropy in High-Density Noise Environments," Journal of the Korea Institute of Information and Communication Engineering, vol. 24, no. 10, pp. 1255-1261, Oct. 2020. 

  25. D. J. Kim and P. L. Manjusha, "Building Detection in High Resolution Remotely Sensed Images based on Automatic Histogram-Based Fuzzy C-Means Algorithm," Asia-pacific Journal of Convergent Research Interchange, vol. 3, no. 1, pp. 57-62, Mar. 2017. 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 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