메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
이수민 (서울대학교) 노명일 (서울대학교) 하지상 (서울대학교) 이원재 (서울대학교)
저널정보
(사)한국CDE학회 한국CDE학회 논문집 한국CDE학회 논문집 제25권 제3호
발행연도
2020.9
수록면
320 - 328 (9page)
DOI
10.7315/CDE.2020.320

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Recently, research on smart ships is actively underway. One of the key technologies for smart ships is ANS (Autonomous Navigation System). To ensure the reliability of such ANS, it is important to estimate the locations of other ships. Although the method of utilizing the AIS (Automatic Identification Information) or RADAR (RAdio Detection And Ranging) is very efficient, it is difficult to guarantee the reliability of the ANS depending on only the equipment since small boats often operate without them. This problem can be solved by estimating the locations of other ships from ocean images using cameras on the own ship. To estimate the locations from the images, the horizon must be detected. The accuracy of the existing method for detecting the horizon is very low when the weather is cloudy, or there are obstacles on the sea. In this study, 300 image data sets are generated using the Singapore Maritime Dataset to train a deep learning model called the Fully Convolutional Network (FCN) for detecting the horizon. Using the trained model, the horizons of the actually captured images are detected. Then, the locations of other ships are calculated using the detected horizon, and the results are compared with the AIS data. The results show that the proposed method can detect the horizon and can be used to estimate the locations of other ships from ocean images.

목차

ABSTRACT
1. 서론
2. 관련 연구 현황
3. 딥 러닝 기반의 수평선 탐지 방법
4. 수평선을 이용한 타선의 위치 추정 방법
5. 결론
References

참고문헌 (19)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2020-530-001160017