딥러닝 분석체의 인원 카운팅 성능 향상을 위한 후처리 방안
Post-Processing Method of Deep-Learning Network to Improve People Counting Performance
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
화재 발생 시 신속한 대피를 위하여 건물 내 정확한 재실자 정보가 무엇보다 중요하다. 이에 따라 최근 열화상 센서를 이용한 모니터링 체계 구축이 선호되고 있다. 이 경우 열화상 영역의 볼륨만으로 물체를 구별하고 분석해야 한다. 본 논문에서는 이를 위한 분석 신경망 YoloV5 와 그 인식 결과를 보완하기 위한 후처리 방안을 제안한다. 일반적으로 신경망은 학습 샘플의 양과 성격에 따라 종종 오버피팅 혹은 언더피팅 현상을 보인다. 이 현상은 학습 샘플의 의존성 및 신경망의 구조적 한계 등에 기인한다. 그에 따라 신경망의 추론 결과 역시도 종종 예기치 않은 결과를 도출하기도 한다. 본 논문에서는 이를 개선하기 위한 방안으로 이미지의 특징 흐름 기반 분석으로 오인식 부분을 바로 잡는 알고리즘과 전체적인 시스템 구성 방안을 제안하고자 한다. 제안하는 방식은 이미지의 시계열을 분석하고 그 차이점을 정량화하여 볼륨 분석 오류를 백트래킹하는 방식으로 수정하는 방식이다. 실험 결과, 추가적인 후처리로 인한 시간 지연은 크지 않았으며 기존 방식과 비교하여 의미 있는 인식률 개선과 성능이 21.28 % 향상된 것을 확인할 수 있었다.
Abstract
Accurate occupant information in a building is of paramount importance for prompt evacuation in the event of a fire. Accordingly, the establishment of a monitoring system using a thermal imaging sensor is preferred. In this case, the object must be distinguished and analyzed only by the volume of the thermal image area. In this paper, we propose analysis neural network YoloV5 and a post-processing method to supplement its recognition results. In general, neural networks often show overfitting or underfitting depending on the amount and nature of training samples. This phenomenon is due to the dependence of training samples and structural limitations of neural networks. Accordingly, the inference results of neural networks also often lead to unexpected results. In this paper, as a way to improve this, we propose an algorithm that corrects the misrecognized part through an image feature flow-based analysis and an overall system configuration plan. The proposed method analyzes the time series of images and quantifies the differences to correct the volume analysis error using the backtracking method. As a result of the experiment, the time delay due to the additional post-processing was not large, and it was confirmed that the recognition rate and performance improved by 21.28% compared to the existing method.
참고문헌 (17)
- yolov5: v4.0 - nn.SiLU()activations, weights & biases logging, "Ultralytics", pp.2021, G. Jocher
- K. Lee, "Brightness-based convolutional neural network for thermal image enhancement", IEEE Access, 5, pp.26867~26879 (2017)
- V. Nogueira Jr, "RetailNet: A deep learning approach for people counting and hot spots detection in retail stores", 32nd SIBGRAPI Conference on Graphics, Patterns and Images (2019)
- "CNN Architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet and more" (2020)[URL]
- K. Desai, "Cybernetics, Cognition and Machine Learning Applications. Algorithms for Intelligent Systems" (2020), Springer
- "2014", ~
- "ImageNet" (2020)[URL]
- "GG16 – Convolutional Network for Classification and Detection" (2018)[URL]
- M. Thom, "Sparse activity and sparse connectivity in supervised learning", Journal of Machine Learning Research, 14, pp.1091~1114 (2013)
- "2019", ~
- "Overfitting" (2022)[URL]
- "Yolov5 for Fire Detection" (2022)[URL]
- "2015", ~
- A. Krizhevsky, "Imagenet classification with deep convolutional neural networks", Advances in neural information processing systems, pp.1097~1105 (2012)
- 노시영, "YOLO 기반 나방 유충 탐지 모델의 연구", 한국지식정보기술학회 논문지, 16(6), pp.1185~1193 (2021), 한국지식정보기술학회[DOI]
- 손솔비, "딥러닝을 이용한 실시간 화재 감지기", 한국지식정보기술학회 논문지, 17(6), pp.1251~1258 (2022), 한국지식정보기술학회[DOI]
- J. Redmon, "You only look once: Unified, real-time object detection", Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, pp.779~788 (2016)