$\require{mediawiki-texvc}$

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.

정밀도로지도 제작을 위한 모바일매핑시스템 기반 딥러닝 학습데이터의 자동 구축
Automatic Construction of Deep Learning Training Data for High-Definition Road Maps Using Mobile Mapping System 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.39 no.3, 2021년, pp.133 - 139  

최인하 (Dept. of Spatial Information Engineering, Namseoul University) ,  김의명 (Dept. of Drone.GIS Engineering, Namseoul University)

초록
AI-Helper 아이콘AI-Helper

현재 정밀도로지도 구축 공정은 수작업의 비율이 높아 구축 시간과 비용의 한계가 따른다. 인공지능을 이용하여 정밀도로지도 제작을 자동화하기 위한 연구가 활발하게 진행되고 있으나 정밀도로지도 제작을 위한 학습데이터의 구축 또한 수동으로 이루어지고 있어 학습데이터를 자동으로 구축할 필요성이 있다. 이에 본 연구에서는 모바일매핑시스템으로 취득한 포인트 클라우드를 이용하여 영상으로 변환한 후, 임계치를 이용한 영상 재분류와 중첩 분석 등을 통해 도로 노면표시 영역을 추출하고 추출한 영역의 다각형 유형 분류를 통해 정밀도로지도 제작을 위한 딥러닝 학습데이터를 자동으로 구축하는 방법론을 제안하였다. 제안한 방법론을 통해 구축한 2,764개의 차선 데이터를 딥러닝 기반의 PointNet 모델에 학습한 결과 학습 정확도는 99.977%로 나타났으며, 학습된 모델을 이용하여 3가지 색상 유형의 차선을 예측한 결과 정확도는 99.566%로 나타났다. 따라서, 본 연구에서 제안한 방법론으로 정밀도로지도 구축을 위한 학습데이터를 효율적으로 제작할 수 있는 것을 알 수 있었으며, 도로 노면표시의 정밀도로지도 제작과정 또한 자동화할 수 있을 것으로 사료된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Currently, the process of constructing a high-definition road map has a high proportion of manual labor, so there are limitations in construction time and cost. Research to automate map production with high-definition road maps using artificial intelligence is being actively conducted, but since the...

주제어

#딥러닝   #학습데이터 자동 구축   #정밀도로지도   #포인트 클라우드  

표/그림 (15)

참고문헌 (14)

  1. Axelsson, P. (2000), DEM generation from laser scanner data using adaptive TIN model, International Archives of Photogrammetry and Remote Sensing, Vol. 33, pp. 110-117. 

  2. Bleau, A. and Leon, L.J. (2000), Watershed-based segmentation and region merging, Computer Vision and Image Understanding, Vol. 77, No. 3, pp. 317-370. 

    상세보기 crossref

  3. Bodansky, E., Gribov, A., and Pilouk, M. (2002), Smoothing and compression of lines obtained by raster-to-vector conversion, Lecture Notes in Computer Science 2390, Springer, pp. 256-265. 

  4. Douglas, D.H. and Peucker, T.K. (1973), Algorithms for the reduction of the number of points required to represent a digitised line or its caricature, The Canadian Cartographer, Vol. 10, No. 2, pp. 112-122. 

    상세보기 crossref

  5. Hong, S.P. and Kim, E.M. (2018), Classification of 3D road objects using machine learning, The Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 36, No. 6, pp. 535-544. (in Korean with English abstract) 

    원문보기 상세보기 crossref

  6. Jenson, S.K. and Domingue, J.O. (1988), Extracting topographic structure from digital elevation data for geographic information system analysis, Photogrammetric Engineering and Remote Sensing, Vol. 54, No. 11, pp. 1593-1600. 

    상세보기

  7. Lee, S.J., Kim, J.S., Yoon, J.S., Shin, S.H., Bailo, O., Kim, N.I., Lee, T.H., Hong, H.S., Han, S.H., and Kweon, I.S. (2017), VPGNet: vanishing point guided network for lane and road marking detection and recognition, International Conference on Computer Vision (ICCV), pp. 1947-1955. 

  8. Park, Y.K., Kang, W.P., Choi, J.E., and Kim, B.J. (2019), A study on the evaluation of real-time map update technology for automated driving, Journal of the Korean Association of Geographic Information Studies, Vol. 22. No. 3, pp. 146-154. (in Korean with English abstract) 

  9. Qi, C.R, Su, H., Mo, K., and Gulibas, L.J (2017), PointNet: deep learning on point sets for 3D classification and segmentation, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 652-660. 

  10. So, J.H. and Moon, Y.J. (2018), Plan for autonomous cooperation driving safety and infrastructure implementation, The Journal of The Korean Institute of Communication Sciences, Vol. 35, No. 5, pp. 37-43. 

  11. Soilan, M., Riveiro, B., Martinez-Sanchez, J., and Arias, P. (2017). Segmentation and classification of road markings using MLS data. ISPRS Journal of Photogrammetry and Remote Sensing. Vol. 123, pp. 94-103. 

    상세보기 crossref

  12. Wang, Z., Ren, W., and Qiu, Q. (2018). LaneNet: real-time lane detection networks for autonomous driving. arXiv:1807.01726. 

  13. Wen, C., Sun, X., Li, J., Wang, C., Guo. Y., and Habib, A. (2019). A deep learning framework for road marking extraction, classification and completion from mobile laser scanning point clouds, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 147, pp. 178-192. 

    상세보기 crossref

  14. Wold, S., Esbensen, K., and Geladi, P. (1987), Principal component analysis. Chemometrics and Intelligent Laboratory Systems, Vol. 2, pp. 37-52. 

    상세보기 crossref

저자의 다른 논문 :

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