지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 설상훈
- 발행연도
- 2018
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수5
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
스테레오 영상의 깊이 추정은 자율 주행 차량 및 드론 등을 포함하여 많은 컴퓨터 비전 응용 과제에서 중요한 문제이다. 영상의 깊이를 알기 위해서는 각각의 스테레오 카메라에 입력되는 영상사이의 시차(disparity)를 알아야 한다. 시차지도를 구하는 기존의 방법으로는 영상의 화소와 그 주변화소의 정보를 이용하여 두 영상 간의 스테레오 매칭을 통해 시차지도를 생성하는 Semi-Global Matching(SGM) 등의 방법이 있었으며, 최근에는 인공지능을 이용한 딥러닝을 활용하는 방법이 연구되고 있다. 딥러닝을 이용한 방법에는 두 영상에서 생성된 패치 사이의 매칭 정도를 학습하여 두 영상 간의 대응 지점을 도출한 뒤 SGM등의 후처리를 통해 시차지도를 구하는 방법, 또는 각 영상의 특징을 학습하여 두영상의 시차지도를 바로 생성하는 end-to-end 방법 등이 있다. 그러나 end-to-end 방법에서 사용되는 손실함수는 화소 단위의 학습을 하기 때문에 생성된 시차지도의 시차경계의 표현이 약하다는 한계점이 존재한다.
본 논문에서는 이러한 방법들 중 end-to-end 방법을 이용하여 시차지도를 생성하는 딥러닝 네트워크를 제안하며, 또한 추정된 시차지도와 시차지도의 ground-truth를 직접 비교하는 손실함수를 제안한다. 실험결과를 통해 제안된 손실함수는 기존의 두 손실함수의 한계점을 보완하여 시차지도의 정확성을 높였음을 알 수 있다.
본 논문에서는 이러한 방법들 중 end-to-end 방법을 이용하여 시차지도를 생성하는 딥러닝 네트워크를 제안하며, 또한 추정된 시차지도와 시차지도의 ground-truth를 직접 비교하는 손실함수를 제안한다. 실험결과를 통해 제안된 손실함수는 기존의 두 손실함수의 한계점을 보완하여 시차지도의 정확성을 높였음을 알 수 있다.
목차
Abstract i요 약 iii그림 목차 vi표 목차 vii1. 서론 １1.1. 연구 배경 및 목적 １1.2. 논문의 구성 ４2. 심층학습 기반 개선된 손실함수를 이용한 스테레오 영상의 시차지도 추정 ５2.1. 제안하는 네트워크 구조 ７2.2. 기존 방법의 한계점 ７2.3. 제안하는 방법의 특징 ９3. 실험 결과 １３3.1. 실험 과정 １３3.2. 실험 결과 １５4. 결론 １8참고문헌 １9
최근 본 자료
댓글(0)
0