선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 본 논문에서는 사전정보 없이 비전기반의 신호등 검출을 위해 딥러닝 기법을 적용한다. 객체 검출에 좋은 성능을 보여준 딥러닝 알고리즘을 이용하여 공개된 데이터셋으로 훈련하고 신호등 검출 실험을 하였다.
- 본 논문에서는 차량의 자율주행을 위한 인지 기술 중 신호등의 검출을 위해 딥러닝 기술을 적용하였다. 객체 검출을 위한 딥러닝 방법 중에 속도와 정확도가 좋은 YOLO를 이용하여 공개된 LISA 신호등 데이터셋을 일반적인 컴퓨터 구성에서 훈련시켜 신호등 검출을 하였다. 향후에는 다른 객체 검출 방법과 또한 다른 신호등 데이터셋을 추가하여 신호등 검출의 성능을 비교하고 개선된 방법에 대해 연구하고자 한다.
- 초당 40프레임 이상의 속도로 VOC 2007에서 좋은 결과를 얻었으며, Faster R-CNN과 SSD 보다 빠르면서 정확도를 높게 유지하였다. 모든 컨볼루션 레이어에 배치 정규화를 추가, 앵커 박스(anchor box)를 초기값으로 사용하여 경계 상자를 처음부터 예측, 학습데이터의 크기를 다양한 스케일(scale)로 학습, Darknet-19로 불리는 새로운 네트워크를 사용하는 등의 성능향상 원인을 설명하였다. Darknet-19는 19개의 컨볼루션 계층과 5개의 맥스 풀링 계층(maxpooling layer)으로 구성되어 있으며, 전체 구성을 그림 1에 나타내었다.
대상 데이터
- 본 논문에서는 공개된 신호등 데이터셋인 LISA Traffic Light Dataset[7]을 이용하였다. LISA 신호등 데이터셋은 미국 캘리포니아주 샌디에고에서 낮과 밤의 시간대에서 1280x960의 해상도로 캡처되었다.
- 3GHz CPU, 8GB RAM과 NVIDIA GTX 1060 6GB GPU가 장착된 일반적인 컴퓨터에서 Yolo-v2 Windows 소스코드[8]를 Windows 10 64bits에서 Visual C++ 2015를 이용하여 컴파일한 후 사용하였다. 공식 홈페이지[9]에서 제공하는 사전 훈련된 가중치(pretrained weight)와 설정(cfg)을 사용하여 신호등 데이터를 훈련시켰다. 훈련시간은 약 48시간 소요되었으며, 테스트한 결과는 그림 2와 그림 3에 나타내었다.
- 기존 방법들은 각 연구에서 필요한 데이터를 수집하여 실험하여 성능 비교에 어려움이 있었다. 본 논문에서는 공개된 신호등 데이터셋인 LISA Traffic Light Dataset[7]을 이용하였다. LISA 신호등 데이터셋은 미국 캘리포니아주 샌디에고에서 낮과 밤의 시간대에서 1280x960의 해상도로 캡처되었다.
이론/모형
- 도시 환경에서 신호등 검출은 자율주행에 중요한 부분이다. 본 논문에서는 사전정보 없이 비전기반의 신호등 검출을 위해 딥러닝 기법을 적용한다. 객체 검출에 좋은 성능을 보여준 딥러닝 알고리즘을 이용하여 공개된 데이터셋으로 훈련하고 신호등 검출 실험을 하였다.
- 본 논문에서는 차량의 자율주행을 위한 인지 기술 중 신호등의 검출을 위해 딥러닝 기술을 적용하였다. 객체 검출을 위한 딥러닝 방법 중에 속도와 정확도가 좋은 YOLO를 이용하여 공개된 LISA 신호등 데이터셋을 일반적인 컴퓨터 구성에서 훈련시켜 신호등 검출을 하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.