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
- 이준웅
- 발행연도
- 2022
- 저작권
- 전남대학교 논문은 저작권에 의해 보호받습니다.
이용수13
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
본 연구는 3차원 물체 인식에서 특징 추출 기능으로 많이 활용되는 PointNet++의 디코더 구조를 새롭게 제안한다. PointNet++의 기존 디코더는 새로운 위치의 특징 생성을 위해 유클리드 거리를 이용하여 입력 특징의 중요도를 계산하며, 중요도는 거리가 가까울수록 커진다. 하지만 거리가 가깝다고 해서 특징의 중요도가 항상 큰 것은 아니다. 예를 들어 건물 옆 차량, 도로 위 차량 등과 같이 서로 다른 의미를 갖는 특징들이 서로 가깝게 위치하는 경우는 항상 존재한다. 따라서 본 연구는 MLP(multi layer perceptron)기반의 네트워크를 제안하고 이를 다양한 환경에서 얻은 데이터로 학습시켜 기존 알고리즘보다 강건한 특징을 추출할 수 있도록 하였다. 또한 이를 증명하기 위해 PointNet++을 사용하는 3차원 물체 인식 알고리즘에 제안된 방법을 적용하여 물체 인식의 성능 개선이 있음을 실험적으로 증명한다.
목차
1. 서론 12. 관련 연구 5가. 특징 추출 네트워크 5나. 3차원 객체 검출 알고리즘 5다. 채널 어텐션(Channel Attention) 63. 기존 특징 추출 네트워크: PointNet++ 7가. 퍼셉트론(Perceptron) 7나. 활성화 함수 7다. 멀티 레이어 퍼셉트론(Multi Layer Perceptron) 8라. PointNet 9마. PointNet++ 91) PointNet++의 인코더 92) PointNet++의 디코더 113) PointNet++의 전체구조 124. PointNet++의 개선 14가. PointNet++의 디코더 문제점 14나. 제안한 방법 151) 주변 특징의 전처리 152) 제안한 디코더 방법 163) 상대 위치 및 유사도 164) 주변 특징의 가중치 계산 185) 특징 생성 185. 실험 결과 19가. 실험 계획 19나. 3차원 물체 검출 평가 191) 물체 검출의 난이도 구분 192) 3차원 물체 표현 방법 213) 평가 기준 21다. 3차원 객체 검출 인식 성능 비교 231) 라이다 채널별 인식 성능 비교 242) 난이도별 인식 성능 비교 27라. 3차원 의미론적 분할 311) 3차원 의미론적 분할 312) 평가 기준 313) 성능 비교 326. 결론 33참고문헌 34
최근 본 자료
댓글(0)
0