$\require{mediawiki-texvc}$

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.

[국내논문] 딥러닝 기반의 객체 검출을 이용한 상대적 거리 예측 및 접촉 감지
Contact Detection based on Relative Distance Prediction using Deep Learning-based Object Detection 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.12 no.1, 2022년, pp.39 - 44  

홍석미 (상지대학교 교양대학) ,  선경희 (경기대학교 콘텐츠융합소프트웨어연구소) ,  유현 (경기대학교 콘텐츠융합소프트웨어연구소)

초록
AI-Helper 아이콘AI-Helper

본 연구의 목적은 딥러닝 알고리즘을 이용하여 영상 내 객체의 종류, 위치, 절대 크기를 추출하고, 객체간 상대적 거리를 예측하며, 이를 이용하여 객체 간의 접촉을 감지하기 위한 내용이다. 객체의 크기 비율을 분석하기 위하여, CNN 기반의 Object Detection 알고리즘인 YOLO를 이용한다. YOLO 알고리즘을 통하여 2D 형태의 이미지에서 각 개체의 절대적인 크기와 위치를 좌표의 형태로 추출한다. 추출 결과는 사전에 저장된 동일한 객체의 명칭과 크기를 가지는 표준 객체-크기 리스트로부터 영상 내 크기와 실제 크기 간의 비례를 추출하며, 영상 내 카메라-객체 간의 상대적인 거리를 예측한다. 예측된 값을 바탕으로 영상에서 객체 간 접촉 여부를 감지한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The purpose of this study is to extract the type, location, and absolute size of an object in an image using a deep learning algorithm, predict the relative distance between objects, and use this to detect contact between objects. To analyze the size ratio of objects, YOLO, a CNN-based object detect...

Keyword

#영상분석   #인공신경망   #딥러닝   #접촉 감지  

표/그림 (5)

참고문헌 (15)

  1. R. Mu & X. Zeng. (2019). A review of deep learning research. KSII Trans. Internet Inf. Syst, 13(4), 1738-1764. DOI : 10.3837/tiis.2019.04.001 

    원문보기 상세보기 crossref

  2. K. He, X. Zhang, S. Ren & J. Sun. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778). 

  3. J. Long, E. Shelhamer & T. Darrell. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3431-3440). 

  4. R. Huang, J. Pedoeem & C. Chen. (2018). YOLO-LITE: a real-time object detection algorithm optimized for non-GPU computers. In 2018 IEEE International Conference on Big Data (Big Data) (pp. 2503-2510). IEEE. 

  5. M. Tan & Q. Le. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. In International Conference on Machine Learning (pp. 6105-6114). PMLR. 

  6. H. Nguyen, L. M. Kieu, T. Wen & C. Cai. (2018). Deep learning methods in transportation domain: a review. IET Intelligent Transport Systems, 12(9), 998-1004. 

    상세보기 crossref

  7. P. W. Khan, Y. C. Byun & N. Park. (2020). A data verification system for CCTV surveillance cameras using blockchain technology in smart cities. Electronics, 9(3), 484. DOI : 10.3390/electronics9030484 

    상세보기 crossref

  8. M. J. Shafiee, B. Chywl, F. Li & A. Wong. (2017). Fast YOLO: A fast you only look once system for real-time embedded object detection in video. arXiv Prepr. arXiv1709.05943. 

  9. L. Liu et al. (2020). Deep Learning for Generic Object Detection: A Survey. International journal of computer vision, 128(2), 261-318. 

    상세보기 crossref

  10. Y. C. Ahn & Y. H. Lee. (2019). A Research of CNN based Object Detection for Multiple Object Tracking in Image. Journal of the Semiconductor & Display Technology, 18(3), 110-114. 

  11. P. Wang et al. (2018). Understanding convolution for semantic segmentation. In 2018 IEEE winter conference on applications of computer vision (WACV), 1451-1460. 

  12. M. Yang, K. Yu, C. Zhang, Z. Li & K. Yang. (2018). Denseaspp for semantic segmentation in street scenes. in Proceedings of the IEEE conference on computer vision and pattern recognition, 3684-3692. 

  13. A. Garcia-Garcia, S. Orts-Escolano, S. Oprea, V. Villena-Martinez & J. Garcia-Rodriguez. (2017). A review on deep learning techniques applied to semantic segmentation. arXiv Prepr. arXiv1704.06857. 

  14. T. Y. Lin et al. (2014). Microsoft coco: Common objects in context. In European conference on computer vision, 740-755. 

  15. National Information Society Agency. (2021). AI Hub. National Information Society Agency(Online). https://aihub.or.kr 

활용도 분석정보

상세보기
다운로드
내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 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