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
- 김만배
- 발행연도
- 2018
- 저작권
- 강원대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (4)
2018
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 객체를 추적하기 위해 합성곱 신경망 모델과 자기 조직화 지도를 이용한 온라인 객체 추적 기법을 제안한다. 오프라인에서 모델을 학습시키기 위해서는 많은 수의 훈련 샘플이 필요하다. 이러한 문제를 해결하기 위해, 학습되지 않은 모델을 사용하고, 실험 영상으로부터 직접 훈련 샘플을 수집하여 모델을 갱신한다. 기존의 방법들은 많은 훈련 샘플을 획득하여 모델의 학습에 사용하였지만, 본 논문에서는 적은 수의 훈련 샘플만으로도 객체의 추적이 가능함을 증명한다. 또한 컬러 정보를 활용하여 새로운 손실 함수를 정의하였고, 이로부터 잘못 수집된 훈련 샘플로 인해 모델이 잘못된 방향으로 학습되는 문제를 방지한다. 실험을 통해 4가지 비교 방법과 동등하거나 개선된 추적 성능을 보임을 증명하였다. 제안하는 CNN 기반 추적기의 성능 향상을 위해 훈련 샘플들을 사전에 선별하는 과정을 위해 SOM을 적용하였다. SOM는은 비지도학습으로써 군집화를 위해 사용되던 알고리즘이다. 기존의 군집화 알고리즘은 추적에 적용하기 어려운 반면, SOM은 중심 벡터의 이동을 사용자가 조절할 수 있다는 장점이 있다. 실험 결과를 통해 CNN만을 사용한 것보다 SOM을 같이 적용하였을 때, 성능이 개선되었음을 확인할 수 있었다. 마지막으로 제안하는 방법을 점유 센서에 응용하였다. 점유 센서를 위해 카메라 비전 센서를 사용하였고, 이는 천장에 설치해야한다는 문제로 인해 다른 알고리즘을 적용하여도 원하는 성능을 얻기가 어려웠다. 점유 센서에서도 제안하는 방법이 객체를 문제없이 추적하고 있음을 확인하였다.
목차
Ⅰ. 서론 11. 연구배경 12. 연구내용 33. 논문구성 4Ⅱ. 관련 연구 51. 매칭 기반 추적 기법 51.1 정규화된 상호 상관(Normalized Cross Correlation) 61.2 Lucas-Kanade Tracker 61.3 MeanShift Tracker 71.4 Fragment-based Robust Tracker 82. 모델 학습 및 희소 표현 추적 기법 92.1 Incremental Visual Tracking 92.2 L1-Minimization Tracker 102.3 L1 Tracker with Occlusion Detection 112.4 Super Pixel Tracker 123. 검출에 의한 추적 기법 133.1 Online Boosting Tracker 133.2 Tracking-Learning-Detection 143.3 다중 인스턴스 학습(Multiple Instance Learning) 153.4 DeepTrack 16Ⅲ. 온라인 추적 181. 합성곱 신경망 182. 제안하는 CNN 모델 193. 훈련 샘플 수집 204. 모델 학습 225. 객체 추적 256. 실험 결과 28Ⅳ. 자기 조직화 지도 411. 개요 412. SOM 알고리즘 423. 객체 추적을 위한 SOM의 변형 454. 실험 결과 474.1 정성적 평가(Qualitative Evaluation) 474.2 정량적 평가(Quantitative Evaluation) 551) 정규화된 평균 제곱 오차(Normalized Mean Squared Error) 552) 모서리 거리 오차(Euclidean Distance of Corners) 563) 중첩 비(Overlap Ratio) 59Ⅴ. 점유센서 응용 611. 점유 센서 612. 실험 결과 62Ⅵ. 결론 83□ 참고문헌 84□ Abstract 92
최근 본 자료
댓글(0)
0