$\require{mediawiki-texvc}$

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.

온-보드에서의 딥러닝을 활용한 드론의 실시간 객체 인식 연구
A Study on Realtime Drone Object Detection Using On-board Deep Learning 원문보기

한국항공우주학회지 = Journal of the Korean Society for Aeronautical & Space Sciences, v.49 no.10, 2021년, pp.883 - 892  

이장우 (LIG Nex1 Co.) ,  김주영 (LIG Nex1 Co.) ,  김재경 (LIG Nex1 Co.) ,  권철희 (LIG Nex1 Co.)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 드론을 활용한 감시정찰 임무의 효율성을 향상하기 위해 드론 탑재장비에서 실시간으로 구동 가능한 딥러닝 기반의 객체 인식 모델을 개발하는 연구를 수행하였다. 드론 영상 내 객체 인식 성능을 높이는 목적으로 학습 단계에서 학습 데이터 전처리 및 증강, 전이 학습을 수행하였고 각 클래스 별 성능 편차를 줄이기 위해 가중 크로스 엔트로피 방법을 적용하였다. 추론 속도를 개선하기 위해 양자화 기법이 적용된 추론 가속화 엔진을 생성하여 실시간성을 높였다. 마지막으로 모델의 성능을 확인하기 위해 학습에 참여하지 않은 드론 영상 데이터에서 인식 성능 및 실시간성을 분석하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

This paper provides a process for developing deep learning-based aerial object detection models that can run in realtime on onboard. To improve object detection performance, we pre-process and augment the training data in the training stage. In addition, we perform transfer learning and apply a weig...

주제어

#딥러닝   #객체 인식   #데이터 증강   #전이 학습   #클래스 불균형   #추론 가속화  

참고문헌 (16)

  1. Jiao, L., Zhang, F., Liu, F., Yang, S., Li, L., Feng, Z. and Qu, R., "A survey of deep learningbased object detection," IEEE Access, Vol. 7, 2019, pp. 128837~128868. 

    상세보기 crossref

  2. Vaddi, S., "Efficient object detection model for real-time UAV applications," Doctoral dissertation Iowa State University, 2019. 

  3. Lee, J., Wang, J., Crandall, D., Sabanovic, S. and Fox, G., "Real-time, cloud-based object detection for unmanned aerial vehicles," International Conference on Robotic Computing (IRC) IEEE, April 2017, pp. 36~43. 

  4. Du, D., et al, "The unmanned aerial vehicle benchmark: Object detection and tracking," Proceedings of the European Conference on Computer Vision (ECCV), 2018, pp. 370~386. 

  5. Xia, G. S., et al, "DOTA: A large-scale dataset for object detection in aerial images," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 3974~3983. 

  6. Du, D., et al, "VisDrone-DET2019: The vision meets drone object detection in image challenge results," Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops, 2019. 

  7. Panchapagesan, S., Sun, M., Khare, A., Matsoukas, S., Mandal, A., Hoffmeister, B. and Vitaladevuni, S., "Multi-task learning and weighted cross-entropy for DNN-based keyword spotting," Interspeech, Vol. 9, September 2016, pp. 760~764. 

  8. Redmon, J. and Farhadi, A., "Yolov3: An incremental improvement," Computer Vision and Pattern Recognition, April 2018. 

  9. Ren, S., He, K., Girshick, R. and Sun, J., "Faster r-cnn: Towards real-time object detection with region proposal networks," Advances in Neural Information Processing Systems, Vol. 28, 2015, pp. 91~99. 

  10. Shorten, C. and Khoshgoftaar, T. M., "A survey on image data augmentation for deep learning," Journal of Big Data, Vol. 6, No. 1, 2019, pp. 1~48. 

    상세보기 crossref

  11. Yosinski, J., Clune, J., Bengio, Y. and Lipson, H., "How transferable are features in deep neural networks?," arXiv preprint arXiv:1411.1792, 2014. 

  12. Salman, H., Ilyas, A., Engstrom, L., Kapoor, A. and Madry, A., "Do adversarially robust imagenet models transfer better?," arXiv preprint arXiv:2007.08489, 2020. 

  13. Hanif, A. and Azhar, N., "Resolving class imbalance and feature selection in customer churn dataset," International Conference on Frontiers of Information Technology (FIT), 2017, pp. 82~86. 

  14. Yoo, S. M., Lee, K. H., Park, J., Yoon, S. J., Cho, C., Jung, Y. J. and Cho, I. Y., "Trends in Deep Learning Inference Engines for Embedded Systems," Electronics and Telecommunications Trends, Vol. 34, No. 4, 2019, pp. 23~31. 

  15. Padilla, R., Netto, S. L. and da Silva, E. A., "A survey on performance metrics for object-detection algorithms.," International Conference on Systems, Signals and Image Processing (IWSSIP), 2020, pp. 237~242. 

  16. Lin, T. Y., et al, "Microsoft coco: Common objects in context," European Conference on Computer Vision, 2014, pp. 740~755. 

관련 콘텐츠

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