로봇 주행을 위한 아웃도어 환경에서의 노면 인식 시스템
Road semantic segmentation systems in outdoor environments for robot driving
2
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
오늘날 정확한 노면 인식 시스템 구축을 위해서는 딥러닝 기반의 의미론적 객체분할 기술의 적용이 필수적이다. 하지만 실세계에서 충분히 존재할 수 있는 야지 장면에서 노면인식을 위한 의미론적 객체분할 데이터 셋은 아직까지도 개발되지 않았고, 그렇기 때문에 의미론적 객체분할 기술이 야지 노면 인식 시스템에서 적용된 연구 사례도 매우 적다. 우리는 이러한 문제를 해결하기 위하여 야지 환경에서의 노면 인식 데이터 셋을 구축하고, 지금까지 적용되지 못했던 의미론적 객체분할 기술들을 적용 및 최적하고 분석한다. 실험 결과 우리는 우리의 야지 노면 인식 데이터 셋에서 980FPS의 연산속도로 89.34 mIoU를 달성하였다.
Abstract
Embedding technology into robot platforms is a very challenging task. In this work, we study a realistic road recognition system based on deep learning for robot embeddings. In particular, deep learning-based road recognition research is accessible with semantic segmentation techniques. However, Semantic segmentation datasets for road recognition also do not exist, and there are very few related studies. For this reason, developing algorithms for real-world platform configurations becomes very difficult. To solve problem, we build our own road recognition dataset in an outdoor environment and describe and analyze the realistic issues encountered while learning Road Recognition algorithms. Furthermore, we apply acceleration methodologies that are essential for robot embedding. As a result, we achieve road recognition accuracy of 89.34 mIoU and computational speed of 980 FPS.
참고문헌 (24)
- 조정찬, "단일 이미지에 기반을 둔 사람의 포즈 추정에 대한 연구 동향", 한국차세대컴퓨팅학회 논문지, 15(5), pp.31~42 (2019), 한국차세대컴퓨팅학회[DOI]
- 오동한, "외부 환경에 강인한 딥러닝 기반 손 제스처 인식", 한국차세대컴퓨팅학회 논문지, 14(5), pp.31~39 (2018), 한국차세대컴퓨팅학회
- 챠이트라 다야난다, "A comparative analysis on segmentation of brain MRI using CNN models", 한국차세대컴퓨팅학회 논문지, 16(3), pp.63~76 (2020), 한국차세대컴퓨팅학회[DOI]
- 김점구, "빅데이터 기반 용접로봇 자동제어를 위한 지능형 플랫폼 개발", 한국차세대컴퓨팅학회 논문지, 17(2), pp.69~79 (2021), 한국차세대컴퓨팅학회[DOI]
- 박소령, "다중로봇의 정보융합을 통한 다중표적의 유형 및 위치 추정", 한국차세대컴퓨팅학회 논문지, 9(1), pp.38~50 (2013), 한국차세대컴퓨팅학회
- 문석환, "승마운동원리를 적용한 승마로봇시스템 및 제어방법", 한국차세대컴퓨팅학회 논문지, 9(3), pp.68~77 (2013), 한국차세대컴퓨팅학회
- 서민석, "행동 인식을 위한 시공간 앙상블 기법", 로봇학회 논문지, 15(4), pp.385~391 (2020), 한국로봇학회[DOI]
- HE, Kaiming, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.770~778 (2016)
- SANDLER, Mark, "Mobilenetv2: Inverted residuals and linear bottlenecks", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.4510~4520 (2018)
- REDMON,Joseph, "You only look once:Unified, real-time object detection", Proceedingsof the IEEE conference on computer vision and pattern recognition, pp.779~788 (2016)
- REN, Shaoqing, "Faster r-cnn: Towards real-time object detection with regionproposal networks", arXiv preprint arXiv:1506.01497, ~ (2015)
- RONNEBERGER,Olaf, "U-net: Convolutional networks forbiomedical image segmentation", International Conference on Medical imagecomputing and computer-assisted intervention, pp.234~241 (2015), Springer
- CHEN,Liang-Chieh, "Deeplab: Semantic image segmentation with deepconvolutional nets, atrous convolution, and fully connected crfs", IEEEtransactions on pattern analysis and machine intelligence, 40(4), pp.834~848 (2017)
- 이현규, "명암도 조절을 통한 베이스 분류기 기반 영상분할기법", 한국차세대컴퓨팅학회 논문지, 8(5), pp.73~86 (2012), 한국차세대컴퓨팅학회
- CORDTS, Marius, "The cityscapes dataset for semantic urban scene understanding", Proceedings of the IEEE conference on computer vision and patternrecognition, pp.3213~3223 (2016)
- YU, Fisher, "Bdd100k: A diverse driving video database with scalable annotationtooling", arXiv preprint arXiv:1805.04687, ~ (2018)
- CHEN, Liang-Chieh, "Encoder-decoder with atrous separable convolution for semantic imagesegmentation", Proceedings of the European conference on computer vision(ECCV), pp.801~818 (2018)
- Zhao,Hengshuang, "Pyramid scene parsing network", Proceedings ofthe IEEE conference on computer vision and pattern recognition (2017)
- WANG, Xiaolong, "Non-local neural networks", Proceedings of the IEEEconference on computer vision and pattern recognition, pp.7794~7803 (2018)
- SIMONYAN, Karen, "Very deep convolutional networks for largescaleimage recognition", arXiv preprint arXiv:1409.1556, ~ (2014)
- SZEGEDY, Christian, "Going deeper with convolutions", Proceedings of the IEEEconference on computer vision and pattern recognition, pp.1~9 (2015)
- Krizhevsky, Alex, "Learning multiple layers of features from tiny images", 7~ (2009)
- "A pytorch semantic segmentation toolbox" (2018)[URL]
- HUANG, Zilong, "Ccnet: Criss-cross attention for semantic segmentation", Proceedings of the IEEE, 2019, 603~612