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
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

안하은 (광운대학교, 광운대학교 대학원)

지도교수
유지상
발행연도
2020
저작권
광운대학교 논문은 저작권에 의해 보호받습니다.

이용수1

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (3)

2020

계층구조 옵티컬 플로우 예측-복원 네트워크를 통한 고해상도 동영상프레임 고속 보간 방법
안하은 전자공학과 2020.01 학위논문

2019

계층구조 합성곱 신경망 기반 고해상도 동영상 프레임 고속 보간 방법
안하은 ,  정진우 ,  김제우 한국방송미디어공학회 학술발표대회 논문집 2019.06 학술대회자료
하이브리드 기반 콘볼루션 신경망을 이용한 동영상 프레임 고속 보간 방법
안하은 ,  정진우 ,  김제우 외 1명 한국통신학회 학술대회논문집 2019.01 학술대회자료

초록· 키워드

오류제보하기
최근의 동영상 프레임 보간 방법들은 convolutional neural network를 적
용하여 주목할 만한 성능 향상을 보이고 있다. 하지만 이러한 방법들은 기
존의 방법보다 높은 계산 복잡도를 가지고 동작을 위하여 많은 양의 메모
리를 필요로 하는 문제를 가진다. 특히, 4K 영상과 같은 고해상도 동영상
프레임에 대해서는 하드웨어상의 제약으로 보간이 불가능 하거나 보간이
가능하더라도 매우 느린 동작 속도를 보인다.
본 논문에서는 이러한 문제를 해결하기 위하여 계층구조 옵티컬 플로우
예측-복원 네트워크를 통한 고해상도 동영상 프레임 고속 보간 방법을 제
안한다. 제안하는 옵티컬 플로우 예측-복원 네트워크는 옵티컬 플로우 예
측 네트워크와 옵티컬 플로우 복원 네트워크로 구성된다. 옵티컬 플로우 예
측 네트워크는 입력 프레임의 양방향 옵티컬 플로우를 저해상도에서 예측
한다. 예측된 저해상도 옵티커 플로우는 옵티컬 플로우 복원 네트워크에서
원본 해상도로 복원된다.
제안하는 옵티컬 플로우 예측-복원 네트워크를 학습하기 위하여 다양한
형태의 손실 함수를 제안하였다. 네트워크가 옵티컬 플로우를 consistent하
게 예측하도록 돕는 consistency 손실 함수와 옵티컬 플로우 복원 시 급작
스러운 변화를 억제하기 위한 multi-scale기반의 smoothness 손실 함수를
제안하였다. 마지막으로, 보간 된 프레임이 시각적으로 자연스럽고
seamless하도록 adversarial 형태의 손실 함수와 이를 위한 식별 네트워크
를 제안하였다.
4K와 FHD(Full High Definition) 해상도를 가지는 영상에 대한 보간 속
도 측정 실험을 수행하였다. 이를 통하여 제안하는 방법이 4K 해상도 동영
상에서 PSNR과 SSIM 관점에서의 프레임 보간 정확도 손실 없이 기존의
방법대비 최대 4.39배 빠르게 동작함을 보였다.
마지막으로 실험을 통하여 제안하는 손실 함수들이 학습된 네트워크의
성능 향상에 기여함을 보였다. 또한 최첨단 동영상 프레임 보간 방법들과의
성능 비교 실험을 통하여 제안하는 방법의 우수함을 보였다.

목차

제1장 서론 1
1.1. 연구 배경 1
1.2. 관련 연구 2
1.3. 연구의 목적 및 내용 6
제2장 관련 배경 이론 9
2.1. U-Net 10
2.2. 자기 지도 학습 10
2.3. Perceptual 손실 함수 13
2.4. 동영상 프레임 보간 방법 15
2.4.1. AdaConv 16
2.4.2. SepConv 18
2.4.3. Ahn의 방법 20
2.4.4. SuperSloMo 22
2.4.5. IM-Net 25
2.4.6. Niklaus의 방법 29
제3장 옵티컬 플로우 예측-복원 네트워크 33
3.1. 제안하는 기법의 개요 33
3.2. 옵티컬 플로우 예측 네트워크 36
3.3. 옵티컬 플로우 복원 네트워크 40
3.4. 손실 함수 50
3.5. 네트워크 학습 56
제4장 실험 결과 59
4.1. 실험 데이터셋 59
4.2. 실험 비교 알고리즘 64
4.3. 4K 해상도 데이터셋 실험 64
4.4. Vimeo 데이터셋 실험 66
4.5. 동작속도 68
4.6. 시각적 비교 70
4.7. Ablation 연구 73
4.7.1. 옵티컬 플로우 복원 네트워크 74
4.7.2. 적응적 화소 블렌딩 지도 75
4.7.3. Consistency 손실 함수 75
4.7.4. Smoothness 손실 함수 76
4.7.5. Adversarial 손실 함수 76
제5장 결론 78
참고문헌 80

최근 본 자료

전체보기

댓글(0)

0