본문 바로가기
KERD
논문KCI 등재

저해상 동양화 객체 탐지의 효율성 향상을 위한 이미지 초고해상화 기반 선택적 레이블링 방법론

Selective labeling using image super resolution for improving the efficiency of object detection in low-resolution oriental paintings

김남규|문혜영
한국컴퓨터정보학회 (The Korean Society Of Computer And Information)|2022.09|한국컴퓨터정보학회논문지 (Journal of The Korea Society of Computer and Information)|제27권 제9호|pp. 21-32|DOI https://doi.org/10.9708/jksci.2022.27.09.021

1

조회

0

다운로드

0

인용

0

참고문헌

키워드

딥러닝deep learning객체 탐지object detectionSSIMimage labeling이미지 레이블링초고해상화super resolution
주제분류컴퓨터학

초록

이미지에 레이블을 부착하는 레이블링은 객체 탐지를 수행하기 위해서는 반드시 선행되어야 하며이러한 작업은 딥러닝 모델을 구축하는 데 있어서 큰 부담으로 여겨지고 있다. 딥러닝 모델을 훈련하기 위해서는 수 만장의 이미지가 필요하며 이러한 이미지에 인간 레이블러가 직접 레이블링을 진행하기에는 많은 한계가 있다. 이러한 어려움을 극복하기 위해 본 연구에서는 전체 이미지가 아닌일부 이미지에 대한 레이블링을 통해서도 큰 성능의 저하 없이 객체 탐지를 수행하는 방안을 제안한다. 구체적으로 본 연구에서는 저품질 동양화 이미지의 객체 탐지를 위해 초고해상화 알고리즘을 이용하여 저해상도의 이미지를 고화질의 이미지로 변환하고, 이 과정에서 도출되는 SSIM과 PSNR이객체 탐지의 mAP에 미치는 영향을 분석하여 객체 탐지 분석에 필요한 레이블링을 위한 최적의 샘플링을 수행하는 방안을 제안한다. 본 연구의 결과는 이미지 레이블링을 필요로 하는 이미지 분류, 객체 검출, 이미지 분할 등 딥러닝 모델 구축에 크게 기여할 수 있을 것으로 기대한다.

Abstract

Image labeling must be preceded in order to perform object detection, and this task is considered a significant burden in building a deep learning model. Tens of thousands of images need to be trained for building a deep learning model, and human labelers have many limitations in labeling these images manually. In order to overcome these difficulties, this study proposes a method to perform object detection without significant performance degradation, even though labeling some images rather than the entire image. Specifically, in this study, low-resolution oriental painting images are converted into high-quality images using a super-resolution algorithm, and the effect of SSIM and PSNR derived in this process on the mAP of object detection is analyzed. We expect that the results of this study can contribute significantly to constructing deep learning models such as image classification, object detection, and image segmentation that require efficient image labeling.

참고문헌 (29)

  1. 유재형, "고해상도 영상의 군집형 차량 검출을 위한 앙상블 딥러닝 네트워크 구성 방법", 한국컴퓨터정보학회논문지, 26(1), pp.45~55 (2021), 한국컴퓨터정보학회[DOI]
  2. 송재민, "이미지 인식 기술의 산업 적용 동향 연구", 한국콘텐츠학회 논문지, 20(7), pp.86~96 (2020), 한국콘텐츠학회[DOI]
  3. Y Li, "Underwater Image High Definition Display Using the Multilayer Perceptron and Color Feature-Based SRCNN", IEEE Access, pp.83721~83728 (2019)[DOI]
  4. 이여진, "지식증류 기법을 사용한 SRGAN 경량화 연구", 멀티미디어학회논문지, 24(12), pp.1598~1605 (2021), 한국멀티미디어학회
  5. X. Wang, "ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks", ~ (2018)
  6. X. Wang, "Real-ESRGAN:Training Real-World Blind Super-Resolution with Pure Synthetic Data", International Conference on Computer Vision Workshops IEEE, 2021, ~
  7. C. Han, "GAN-based synthetic brain MR image generation", 2018 IEEE 15th International Symposium on Biomedical Imaging (2018)
  8. 이준행, "간세포암 추적관찰 초음파영상의 PSNR 분석", 한국방사선학회논문지, 9(5), pp.263~267 (2015), 한국방사선학회[DOI]
  9. U. Sara, "Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study", Journal of Computer and Communications, 7(3) (2019)
  10. QUAN JUNLONG, "SSIM 및 VLSW 알고리즘을 활용한 결측치가 포함된 건물에너지관리시스템 데이터로부터의 에너지소비량 예측에 관한 연구", 전기학회논문지, 70(10), pp.1540~1547 (2021), 대한전기학회
  11. Mohan Laavanya, "Residual Learning of Transfer-learned AlexNet for Image Denoising", IEIE Transactions on Smart Processing & Computing, 9(2), pp.135~141 (2020), 대한전자공학회
  12. 전성우, "YOLO 기반 차선검출 시스템", 한국정보통신학회논문지, 25(3), pp.464~470 (2021), 한국정보통신학회[DOI]
  13. 김운기, "SSD-Mobilenet과 ResNet을 이용한 모바일 기기용 자동차 번호판 인식시스템", 스마트미디어저널, 9(2), pp.92~98 (2020), (사)한국스마트미디어학회[DOI]
  14. 신기철, "Faster-RCNN을 이용한 열화상 이미지 처리 및 합성 기법", 융합정보논문지, 11(12), pp.30~38 (2021), 중소기업융합학회[DOI]
  15. 홍성삼, "도로포장에서 파손 및 크랙 탐지를 위한 이미지 레이블링 기술 분석 및 학습셋 생성 모델", 대한공간정보학회지, 28(4), pp.119~125 (2020), 대한공간정보학회[DOI]
  16. 구형모, "딥러닝 기반 이미지 자동 레이블링을 활용한 건축물 파사드 데이터세트 구축 기술 개발", 대한건축학회논문집, 35(12), pp.43~53 (2019), 대한건축학회
  17. 최근하, "수정 기능분석법을 활용한 메타버스 기반의 군 인공지능 학습용 데이터 레이블링 시스템 개념설계", 한국군사학논집, 78(1), pp.375~390 (2022), 화랑대연구소[DOI]
  18. 이용, "자동-레이블링 기반 영상 학습데이터 제작 시스템", 한국콘텐츠학회 논문지, 21(6), pp.701~715 (2021), 한국콘텐츠학회[DOI]
  19. 윤종수, "GAN 기반 공간 적응적 비 정규화를 통한 단일 영상 초해상도 복원", 전기학회논문지, 70(2), pp.402~407 (2021), 대한전기학회
  20. 이채원, "ESRGAN을 이용한 차량 번호판 화질 개선을 통한 인식률 향상", 차세대융합기술학회논문지, 6(1), pp.5~11 (2022), 국제차세대융합기술학회
  21. 강재용, "장면 복잡도 기반 적응적 얼굴 마스크 탐지 모델", 한국컴퓨터정보학회논문지, 26(5), pp.1~8 (2021), 한국컴퓨터정보학회[DOI]
  22. 임헌국, "자율주행 차량 영상 기반 객체 인식 인공지능 기술 현황", 한국정보통신학회논문지, 25(8), pp.1117~1123 (2021), 한국정보통신학회[DOI]
  23. 김현준, "객체 탐지에서의 효율적인 예측 박스 회귀 학습을 위한 둘레 기반 IoU 손실함수", 정보과학회논문지, 48(8), pp.913~919 (2021), 한국정보과학회[DOI]
  24. 전왕수, "깊이 이미지를 이용한 채소열매와 잎 레이블링 방법", 한국지능시스템학회 논문지, 31(6), pp.465~474 (2021), 한국지능시스템학회[DOI]
  25. "Don't worry about running out of data" (2022)[URL]
  26. 조용현, "심층학습의 인스턴스 분할을 이용한 시설작물 레이블링", 한국지능시스템학회 논문지, 31(4), pp.305~310 (2021), 한국지능시스템학회[DOI]
  27. T. Mensink, "Learning structured prediction models for interactive image labeling", CVPR (2011)
  28. LC. Chen, "Beat the MTurkers:Automatic Image Labeling from Weak 3D Supervision", CVPR, pp.3198~3205 (2014)
  29. A. Diaz-Pinto, "Monai label:A framework for ai-assisted interactive labeling of 3d medical images", ~ (2022)

관련 논문AI추천

손실 영역 분석 기반의 학습데이터 매핑 기법을 이용한 초해상도 연구이상훈, 한현호한국융합학회 · 한국융합학회논문지2020 · 제11권 제3호딥 러닝 기반의 초해상도 이미지 복원 기법 성능 분석신현광, 이현재, 진성일, 최규상대한임베디드공학회 · 대한임베디드공학회논문지2020 · 제15권 제2호YOLO와 대분류 객체 탐지 모델을 결합한 패션 아이템 자동 레이블링 시스템임준오, 최봉준, 최우진한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2024 · 제29권 제11호초해상화 모델 경량화를 위한 지식 증류 방법의 비교 연구박한훈, 이여진한국융합신호처리학회 · 융합신호처리학회 논문지2023 · 제24권 제1호고해상도 텍스처 맵 생성을 위한 딥러닝 기반 초해상도 기법들의 비교 분석 연구김혜주, 나재호(사)한국컴퓨터그래픽스학회 · 한국컴퓨터그래픽스학회논문지2023 · 제29권 제5호ESRGAN과 Semantic Soft Segmentation을 이용한 객체 분할곽노윤, 윤동식한국사물인터넷학회 · 사물인터넷융복합논문지2023 · 제9권 제1호

이 간행물의 다른 논문 (28건)

딥러닝과 의미론적 분할 기법을 이용한 각막궤양 영역 검출김대원, 임진혁pp. 1-12차량 연료소모량 예측을 위한 머신러닝 기법고광호pp. 13-20인공지능을 이용한 공장지붕 고정용 볼트 이상 탐지 방안손정모, 김수민pp. 33-40얼굴이미지열 예측 자기주도학습을 통한 자동표정인식 연구윤여찬, 김수균pp. 41-47다중 원격 제어와 딥러닝 생장 진단 기능을 가지는 스마트 팜김지호, 한정훈, 김미진, 이동현pp. 49-57
원문 보기