딥러닝 기반의 객체 검출을 이용한 상대적 거리 예측 및 접촉 감지
Contact Detection based on Relative Distance Prediction using Deep Learning-based Object Detection
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구의 목적은 딥러닝 알고리즘을 이용하여 영상 내 객체의 종류, 위치, 절대 크기를 추출하고, 객체 간 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
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 detection algorithm, is used. Through the YOLO algorithm, the absolute size and position of an object are extracted in the form of coordinates. The extraction result extracts the ratio between the size in the image and the actual size from the standard object-size list having the same object name and size stored in advance, and predicts the relative distance between the camera and the object in the image. Based on the predicted value, it detects whether the objects are in contact.
참고문헌 (15)
- Ruihui Mu, "A Review of Deep Learning Research", KSII Transactions on Internet and Information Systems, 13(4), pp.1738~1764 (2019), 한국인터넷정보학회
- K. He, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.770~778 (2016)
- J. Long, "Fully convolutional networks for semantic segmentation", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.3431~3440 (2015)
- R. Huang, "YOLO-LITE: a real-time object detection algorithm optimized for non-GPU computers", 2018 IEEE International Conference on Big Data (Big Data), pp.2503~2510 (2018), IEEE
- M. Tan, "Efficientnet: Rethinking model scaling for convolutional neural networks", International Conference on Machine Learning, pp.6105~6114 (2019), PMLR
- H. Nguyen, "Deep learning methods in transportation domain:a review", IET Intelligent Transport Systems, 12(9), pp.998~1004 (2018)
- P. W. Khan, "A data verification system for CCTV surveillance cameras using blockchain technology in smart cities", Electronics, 9(3), pp.484~ (2020)[DOI]
- M. J. Shafiee, "Fast YOLO: A fast you only look once system for real-time embedded object detection in video", ~ (2017)
- L. Liu, "Deep Learning for Generic Object Detection: A Survey", International journal of computer vision, 128(2), pp.261~318 (2020)
- 안효창, "영상에서 다중 객체 추적을 위한 CNN 기반의 다중 객체 검출에 관한 연구", 반도체디스플레이기술학회지, 18(3), pp.110~114 (2019), 한국반도체디스플레이기술학회
- P. Wang, "Understanding convolution for semantic segmentation", 2018 IEEE winter conference on applications of computer vision (WACV), pp.1451~1460 (2018)
- M. Yang, "Denseaspp for semantic segmentation in street scenes", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.3684~3692 (2018)
- A. Garcia-Garcia, "A review on deep learning techniques applied to semantic segmentation", ~ (2017)
- T. Y. Lin, "Microsoft coco: Common objects in context", European conference on computer vision, pp.740~755 (2014)
- "AI Hub" (2021)[URL]