Earticle

카메라와 라이다가 탑재된 자율주행 시스템에서 깊이완성기술을 통해 조밀한 깊이추정을 할 수 있다. 특히, 자기지도학습을 이용하면 깊이정답이 없는 주행데이터로도 깊이완성 네트워 크의 학습이 가능하다. 실제 자율주행환경에서 이러한 깊이완성의 출력은 다른 알고리즘들의 입력으로 사용되므로 매우 빠른 지연속도를 요구한다. 그래서 본 논문에서는 종래의 연구들처 럼 네트워크를 고도화하여 정확도를 높이기보단 추론속도를 극대화한 형태의 깊이완성 네트 워크를 사용한다. GPU 연산에 최적화된 RegNet 인코더를 사용하고 네트워크의 병렬성을 고려 한 U-Net 형태의 네트워크를 설계한다. 대신, 본 논문에서는 자기지도학습 과정에서 정확도를 높일 수 있는 몇 가지 기법들을 제시한다. 제시하는 기법들은 신뢰할 수 없는 라이다 입력에 대한 강인함을 높이고 사전에 추출한 시맨틱 정보를 바탕으로 에지와 하늘 영역에 대한 깊이 추정 품질을 향상시킨다. 실험을 통해 우리의 모델은 매우 경량임에도 (2.42ms at 1280x480) 노 이즈에 강하며 최신 연구들과 대등한 정확도를 보임을 확인한다.

In an autonomous driving system equipped with a camera and lidar, depth completion techniques enable dense depth estimation. In particular, using self-supervised learning it is possible to train the depth completion network even without ground truth. In actual autonomous driving, such depth completion should have very short latency as it is the input of other algorithms. So, rather than complicate the network structure to increase the accuracy like previous studies, this paper focuses on network latency. We design a U-Net type network with RegNet encoders optimized for GPU computation. Instead, this paper presents several techniques that can increase accuracy during the process of self-supervised learning. The proposed techniques increase the robustness to unreliable lidar inputs. Also, they improve the depth quality for edge and sky regions based on the semantic information extracted in advance. Our experiments confirm that our model is very lightweight (2.42 ms at 1280x480) but resistant to noise and has qualities close to the latest studies.

본 연구는 공공체육시설 수료제 제도개선에 관한 기초자료를 제공하는데 목적이 있었다. 연구방법은 공공체육시 설 관리/운영자, 지도자, 생활체육참여자를 대상으로 SWOT분석 및 심층면담 기법을 사용하여 아래와 같은 결론을 얻을 수 있었다. 첫째, 시설적인 측면에서는 수료제는 결국 시설부족에 따른 이용자 수의 비대칭 문제였다. 이에, 공공체육시설 확충 계획을 중장기적으로 수립하고 각 시의 인구대비, 시설 전용면적 대비, 공공체육시설 확충 계획을 마련해야 할 것이 다. 둘째, 프로그램 측면에서는 프로그램 시수를 과감히 줄이고 프로그램 등급을 세분화하여 생활체육 참여자들에게 다양 한 참여기회를 제공해야 할 것이다. 진도수료제와 기간수료제 모두 적정 출석률을 설정하여 결원이 생기면 신규회원이 등록하도록 해야 할 것이다. 또한, 현 공공체육시설에 만연되어 있는 기존 회원들의 독점과 텃새 방지 캠페인을 활성화하 여 보편적인 이용권을 보장해주어야 할 것이다. 셋째, 정책적인 측면에서는 기간수료제의 경우, 수료제 기간을 설정하기 에 앞서 관리/운영자, 시설공단 직원, 지도자, 회원 4자간 수차례 간담회를 통해 점진적이고 단계적으로 기간을 설정해 야 할 것이다.

The purpose of this study was to provide basic data on the improvement of the system for completing public sports facilities. The following conclusions were obtained using SWOT analysis and in-depth interview techniques for public sports facility managers/operators, leaders, and participants in daily sports. First, it is necessary to establish a plan to expand public sports facilities in the mid- to long-term, and to prepare a plan to expand public sports facilities compared to the population of each city, compared to the area dedicated to the facility. Second, in terms of programs, it is necessary to drastically reduce the number of program hours and subdivide the program grade to provide various opportunities to participate in daily sports. Both the Jindo and the fixed-term completion systems should set an appropriate attendance rate so that new members can register if vacancies arise. In addition, it is necessary to guarantee universal use rights by revitalizing the monopoly and territorial prevention campaigns of existing members prevalent in public sports facilities. Third, in terms of policy, in the case of the fixed-term completion system, the period should be established gradually and in stages through several meetings between managers/operators, facility industrial complex employees, leaders, and four members before setting the completion period.

본 논문에서는 희소 깊이 영상과 컬러 영상을 이용해 조밀한 깊이 영상을 추정하는 깊이 완성을 수행하기 위해 최근접 이웃 커널 기술을 사용하는 방식의 네트워크를 제안한다. 먼저 예측하고자 하는 깊이 영상을 대략적인 깊이 정보의 구조 정보를 포함하는 부분과 세밀한 깊이 정보를 가지는 상세 부분으로 분할하여 예측하는 방식을 제안한다. 이 과정에서 깊이 영상의 구조 및 상세 정보는 분류 기법과 회귀 기법을 활용하여 각각 추정하였으며, 특히 분류 과정에서 최근접 이웃 커널 정보를 활용하여 주변 정보를 통해 분류를 진행하는 방식을 제안하였다. 제안 방식은 기존의 희소 깊이 완성 방식과 비교하여 우수한 성능을 나타냈고, 시각적으로도 만족할만한 결과를 보이게 됨을 확인하였다.

In this paper, we propose a new deep network architecture using nearest neighbor kernel for the estimation of dense depth map from its sparse map and corresponding color information. First, we propose to decompose the depth map signal into the structure and details for easier prediction. We then propose two separate subnetworks for prediction of both structure and details using classification and regression approaches, respectively. Moreover, the nearest neighboring kernel method has been newly proposed for accurate prediction of structure signal. As a result, the proposed method showed better results than other methods quantitatively and qualitatively.