Earticle

초록

한국어

최근 의미론적 세분화 작업에서 컨볼루션과 트랜스포머 기반의 다양한 딥러닝 모델이 제안되고 있다. 이러한 모델들 은 공개 벤치마크의 다양한 객체에 대해 주목할만한 성능을 보여준다. 그러나 우리는 전력선과 같이 전경과 배경의 비율이 과도하게 불균형하며 얇고 긴 객체에 대해 최신 모델조차도 분할에 실패하는 경향이 있음을 관찰한다. 본 논 문에서 우리는 전력선 인식을 위해 전력선 데이터 세트를 수집하고, 해당 데이터 세트에서 전력선 검출 실패에 대한 다음의 세 가지 원인이 있음을 발견한다. 1) 레이블링 작업의 어려움, 2) 대규모 훈련 데이터 세트의 부족, 3) 극도 로 불균형한 클래스 분포. 더 나아가, 우리는 해당 문제를 해결하기 위해 전력선 인식에 대해 높은 성능을 달성하는 모델 선택에 대한 기준과 훈련 전략을 제시한다. 실험 결과 제시된 학습 전략은 인식 작업에서 기준선 모델과 비교 해 20 mIoU 이상의 성능 향상을 달성한다.

영어

Recently, various deep learning models based on convolution and transformer have been proposed for semantic segmentation tasks. These models show remarkable performance on a variety of objects on public benchmarks. However, we observe that even state-of-the-art models tend to fail in segmentation for thin and long objects with an excessively imbalanced foreground-background ratio, such as powerlines. In this paper, we collect a powerline dataset for powerline segmentation and identify three main causes for powerline segmentation failure in the dataset. 1) difficulty in labeling tasks, 2) lack of large training datasets, 3) extremely unbalanced class distribution. Furthermore, we present criteria for model selection and training strategies that achieve high performance for powerline segmentation. Our experimental results shows that the presented training strategy achevied an improvement of over 20 mIoU in the powerline segmentation task compared to the baseline model.

목차

요약
Abstract
1. 서론
2. 관련 연구
2.1. 의미론적 세분화 모델 및 방법
3. 연구 방법
3.1. 전력선 데이터 세트
3.2. 전력선 인식을 위한 의미론적 세분화 모델학습 전략
3.4. 데이터 세트 융합
4. 실험 결과
4.1. 실험 데이터 세트
4.2. 자세한 실험 환경 구성
4.3. 전력선 인식을 위해 제안된 학습 전략의 유효성
4.4. 전력선 인식에 적합한 백본 네트워크 구조
4.5. 제안하는 학습 전략의 각 구성요소에 대한 성능분석
5. 결론
Acknowledgements
참고문헌

저자

• 김대한 [ Daehan Kim | 한밭대학교 정보통신공학과 ]
• 노현철 [ Hyeoncheol Noh | 한밭대학교 정보통신공학과 ]
• 김민우 [ Minwoo Kim | 한밭대학교 정보통신공학과 ]
• 안병태 [ Byungtae Ahn | 한국기계연구원 ]
• 최동걸 [ Dong-Geol Choi | 한밭대학교 정보통신공학과 ] 교신저자

참고문헌