딥러닝 영상분석 시스템의 성능평가 산정식 개발
Development of Performance Evaluation Formula for Deep Learning Image Analysis System
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
도시부 교통정보 수집은 VDS, DSRC, 레이더 등 다양한 시스템에 의해 수집되고 있다. 최근딥러닝 기술의 발전으로 스마트교차로시스템이 확대 보급되고 있으며 교통량, 속도, 차종 등다양한 정보수집이 가능하다. 그러나 관련 문헌을 고찰한 결과 지금까지의 성능평가 기준은딥러닝 영역을 고려하지 않은 RBS기반 평가체계로 ‘기준값-측정값’의 퍼센트 오차만 고려하고있어 기존 평가방식으로는 딥러닝 부분의 평가를 수행할 수 없어 새로운 성능평가 방법이 필요하다. 따라서, 본 연구에서는 데이터 비율 및 가중치를 고려하여 Precision과 Recall 등 딥러닝성능지표를 고려한 오차산정식을 개발하여 개별오차와 구간 오차, 전체오차를 산정하였다. 연구결과, 측정값 1의 오차율은 3.99와 3.54, 측정값 2는 5.34와 5.07로 기존 산정식과 오차율에차이가 있는 것으로 나타났으며, 반복측정 분석결과 개발 산정식이 우수한 것으로 나타났다.
Abstract
Urban traffic information is collected by various systems such as VDS, DSRC, and radar. Recently, with the development of deep learning technology, smart intersection systems are expanding, are more widely distributed, and it is possible to collect a variety of information such as traffic volume, and vehicle type and speed. However, as a result of reviewing related literature, the performance evaluation criteria so far are rbs-based evaluation systems that do not consider the deep learning area, and only consider the percent error of 'reference value-measured value'. Therefore, a new performance evaluation method is needed. Therefore, in this study, individual error, interval error, and overall error are calculated by using a formula that considers deep learning performance indicators such as precision and recall based on data ratio and weight. As a result, error rates for measurement value 1 were 3.99 and 3.54, and rates for measurement value 2 were 5.34 and 5.07.
참고문헌 (17)
- "AI times"[URL]
- Colin, R. B., "Is Pitman Closeness a Reasonable Criterion Comment", Journal of the American Statistical Association, 88(421), pp.72~74 (1972)
- Curran, P. J., "The robustness of test statistics to nonnormality and specification error in confirmatory factor analysis", American Psychological Association Psychological Methods, 1(1), pp.16~29 (1996)
- "Dreamsherpa"[URL]
- Jang, J. H., "Study on Vehicle Performance Test Method", The Korea Institute of Intelligent Transport Systems Conference, pp.199~ (2004)
- Kim, S. H., "Deep learning-based smart intersection system evaluation", The 2018 Korean Institute of ITS Conference, pp.589~ (2018)
- Kline, R. B., "Principles and practice of structural equation modeling", pp.534~ (2015), Guilford Publications
- Research on practical use of ITS equipment, "system performance evaluation and inspection", calibration system, pp.2006, 32~
- Kwon, C, "A Study On Camera-Detector System for Traffic Control in Korea", The Society of Digital Policy & Management 2004 Spring Conference, pp.593~608 (2004)
- 이환필, "측정불확도를 적용한 차량검지기 속도측정 성능평가방법 개발", 한국도로학회논문집, 14(2), pp.165~174 (2012), 한국도로학회[DOI]
- 오주삼, "환경에 따른 영상식 차량검지기의 성능 특성에 관한 연구", 한국콘텐츠학회 논문지, 21(1), pp.119~128 (2021), 한국콘텐츠학회[DOI]
- 박홍련, "UAV를 활용한 실시간 교통량 분석을 위한 딥러닝 기법의 적용", 한국측량학회지, 38(4), pp.353~361 (2020), 한국측량학회[DOI]
- 박영기, "Vision Tracking을 이용한 주행 차량의 교통정보 산출 기법", 한국ITS학회 논문지, 19(5), pp.97~105 (2020), 한국ITS학회[DOI]
- Simson, E. H., "The Interpretation of Interaction in Contingency Tables", Journal of the Royal Statistical Society Series B, 13(2), pp.238~241 (1951)
- Snedecor, G. W., "Statistical Methods. vol. 7", pp.507~ (1980), Iowa State University Press
- Sorower, M. S., "A literature survey on algorithms for multi-label learning", Oregon State University Corvallis, 18(1), pp.3~8 (2010)
- Yaw, O. A., "Automated Vehicle Recognition with Deep Convolutional Neural Networks", Information Technology, Geospatial Information, and Advanced Computing, 2645(1), pp.113~122 (2017)