Earticle

초록

한국어

오늘날 정확한 노면 인식 시스템 구축을 위해서는 딥러닝 기반의 의미론적 객체분할 기술의 적용이 필수적이다. 하 지만 실세계에서 충분히 존재할 수 있는 야지 장면에서 노면인식을 위한 의미론적 객체분할 데이터 셋은 아직까지도 개발되지 않았고, 그렇기 때문에 의미론적 객체분할 기술이 야지 노면 인식 시스템에서 적용된 연구 사례도 매우 적 다. 우리는 이러한 문제를 해결하기 위하여 야지 환경에서의 노면 인식 데이터 셋을 구축하고, 지금까지 적용되지 못했던 의미론적 객체분할 기술들을 적용 및 최적하고 분석한다. 실험 결과 우리는 우리의 야지 노면 인식 데이터 셋에서 980FPS의 연산속도로 89.34 mIoU를 달성하였다.

영어

Embedding technology into robot platforms is a very challenging task. In this work, we study a realistic road recognition system based on deep learning for robot embeddings. In particular, deep learning-based road recognition research is accessible with semantic segmentation techniques. However, Semantic segmentation datasets for road recognition also do not exist, and there are very few related studies. For this reason, developing algorithms for real-world platform configurations becomes very difficult. To solve problem, we build our own road recognition dataset in an outdoor environment and describe and analyze the realistic issues encountered while learning Road Recognition algorithms. Furthermore, we apply acceleration methodologies that are essential for robot embedding. As a result, we achieve road recognition accuracy of 89.34 mIoU and computational speed of 980 FPS.

목차

요약
Abstract
1. 서론
2. 관련 연구
3. 아웃도어 데이터 셋
4. 학습 모델 및 학습 기법
4.1 학습 모델
4.2 학습 기법
5. 실시간성 확보를 위한 가속화 연구
5.1 모델 가속화
5.2 FP16
5.3. TensorRT
6. 실험
6.1 기반 모델 구축
6.2 클래스 가중치를 활용한 실험
6.3 클래스 병합 데이터 셋을 통한 학습
6.4 실시간성 확보를 위한 가속화 실험
7. 결론
Acknowledgement
참고문헌

저자

• 이재민 [ Jaemin Lee | 한밭대학교 정보통신공학과 ]
• 서민석 [ Minseok Seo | 한밭대학교 정보통신공학과 ]
• 이상우 [ Sangwoo Lee | 한밭대학교 정보통신공학과 ]
• 최동걸 [ Dong-Geol Choi | 한밭대학교 정보통신공학과 ] 교신저자

참고문헌