Earticle

This paper analyzed the required specification for implementing a real-time object detection system using the YOLO network. The YOLO network is one of the object detection schemes that strike a suitable balance between performance and required resources, making it widely applicable across various domains. In this paper, we measured the performance based on different activations for an efficient implementation of the YOLO network. Also, we conducted a comparative analysis of the YOLO network's performance concerning input characteristics, aiming to analyze the appropriate application method for real-time object detection.

최근에 전동킥보드와 같은 개인형 이동수단의 보급이 급격히 확대되면서 교통사고 발생 건수도 크게 늘고 있다. 개인형 모빌리티가 자세 안정성이 낮고 탑승자가 외부로 노출되어 전도 사고나 낙상 사고의 위험이 크기 때문이다. 전동킥보드 사고 방지를 위해 본 논문은 주행 보조 장치로써 자동긴급제동시스템과 안전시동시스템을 제안하였다. 인공지능 기반 물체 인식 기술을 이용하여 주변 위험 요소를 탐지하고 자동으로 제동을 걸 수 있는 시스템을 개발하였다. 또한 운전자의 탑승이 확인되기 전까지 장치의 시동을 보류하는 안전시동시스템도 개발하 였다. 상용차와 주행 조건이 매우 다른 개인형 이동 수단에 특화된 첨단 운전자 보조 시스템 융합 기술을 제안한다 는 점에서 본 연구의 의의가 있다.

A recent spread of personal mobility devices such as electric kickboards has brought about a rapid increase in accident cases. Such vehicles are susceptible to falling accidents due to their low dynamic stability and lack of outer protection chassis. This paper presents the development of an automatic emergency braking system and a safe starting system as driving assistance devices for electric kickboards. The braking system employed artificial intelligence to detect nearby threaening objects. The starting system was developed to disable powder to the motor until when the driver’s boarding is confirmed. This study is meaningful in that it proposes the convergence technology of advanced driver assistance systems specialized for personal mobility devices.

본 논문에서는 이미지에서 돌출되는 객체를 검출하기 위해 Saliency Attention을 이용한 딥러닝 기반의 검출 방법을 제안하였다. 돌출 객체 검출은 사람의 시선이 집중되는 물체를 배경으로부터 분리시키는 것이며, 이미지에서 관련성이 높은 부분을 결정한다. 객체 추적 및 검출, 인식 등의 다양한 분야에서 유용하게 사용된다. 기존의 딥러닝 기반 방법들은 대부분 오토인코더 구조로, 특징을 압축 및 추출하는 인코더와 추출된 특징을 복원 및 확장하는 디코더에서 많은 특징 손실이 발생한다. 이러한 손실로 돌출 객체 영역에 손실이 발생하거나 배경을 객체로 검출하는 문제가 있다. 제안하는 방법은 오토인코더 구조에서 특징 손실을 감소시키고 배경 영역을 억제하기 위해 Saliency Attention을 제안 하였다. ELU 활성화 함수를 이용해 특징 값의 영향력을 결정하며 각각 정규화된 음수 및 양수 영역의 특징값에 Attention을 진행하였다. 제안하는 Attention 기법을 통해 배경 영역을 억제하며 돌출 객체 영역을 강조하였다. 실험 결과에서는 제안하는 방법이 기존 방법과 비교하여 향상된 검출 결과를 보였다.

In this paper, we proposed a deep learning-based detection method using Saliency Attention to detect salient objects in images. The salient object detection separates the object where the human eye is focused from the background, and determines the highly relevant part of the image. It is usefully used in various fields such as object tracking, detection, and recognition. Existing deep learning-based methods are mostly Autoencoder structures, and many feature losses occur in encoders that compress and extract features and decoders that decompress and extend the extracted features. These losses cause the salient object area to be lost or detect the background as an object. In the proposed method, Saliency Attention is proposed to reduce the feature loss and suppress the background region in the Autoencoder structure. The influence of the feature values was determined using the ELU activation function, and Attention was performed on the feature values in the normalized negative and positive regions, respectively. Through this Attention method, the background area was suppressed and the projected object area was emphasized. Experimental results showed improved detection results compared to existing deep learning methods.

소아 손목 골절은 성장판과 미성숙 골 구조의 복잡성으로 인해 임상 현장에서 오진율이 높은 영역이며 미세 골절의 정확한 탐지를 위해서 고해상도 영상의 공간 정보 보존이 필수적이다. 그러나 1024px 이상의 고해상도 학습은 한정된 하드웨어자원에서 배치 크기를 극도로 제한시키기 때문에 배치 단위의 통계량에 의존하는 기존 배치 정규화(BN) 모델의 성능과 학습 중 수렴 안정성을 저하시키게 된다. 본 연구는 이러한 공학적 한계를 해결하고자 그룹 정규화(GN) 기반의 고해상도딥러닝 프레임워크를 제안하였다. GRAZPEDWRI 데이터셋을 활용하여 성능을 검증한 결과, 제안된 GN 모델(1024px)은 BN 모델 대비 mAP에서 약 7.4%의 성능 향상(0.381 vs 0.354)을 달성하였다. 특히 맥니마 검정 결과, BN 모델이 놓친 사례 중 44건을 GN 모델이 성공으로 전환시키며 통계적인 유의미한 우위를 입증하였으며(p < 0.001), 연산 효율성 측면에서 GN 768px 모델이 더 높은 해상도의 BN 1024px 모델보다 위양성을 절반 이하로 줄이면서도 유의미하게 우수한 진단 성능을 보였다(p < 0.001 ). 결론적으로, 본 연구의 GN 기반 프레임워크는 자원 제한적인 임상 환경에서도 고해상도 의료 영상 학습의 안정성을 확보하여, 소아 미세 골절 진단의 정확도와 신뢰도를 획기적으로 개선시킬 수 있는 기술적 토대를 마련하였다.

Accurate diagnosis of pediatric wrist fractures is challenging due to complex growth plate structures, necessitating high-resolution deep learning models to detect subtle fracture lines. However, high-resolution training is often hindered by hardware constraints that limit batch sizes, leading to statistical instability and performance degradation in standard Batch Normalization (BN) layers. This study proposes a high-resolution framework utilizing Group Normalization (GN), which operates independently of batch size, to overcome these technical bottlenecks. Evaluations using the GRAZPEDWRI dataset demonstrated that the proposed GN model (1024px) achieved a superior mAP of 0.381 compared to the BN model (0.354) and significantly reduced false positives (10 vs. 75). Notably, the GN 768px model statistically outperformed the higher-resolution BN 1024px model (p < 0.001), proving its superior diagnostic efficiency. These results suggest that the GN-based framework effectively stabilizes high-resolution medical image training under resource-limited environments, significantly enhancing the accuracy and clinical reliability of AI-assisted pediatric fracture detection.

해상 환경은 국제 무역, 운송, 자원 개발 및 해양 관광 등 다양한 산업 분야에서 중요한 역할을 담당하고 있다. 그러 나 해상 환경의 특수성으로 인해 기존의 육상 환경에서 발전한 인공지능 기술을 직접 적용하기 어려운 한계가 존재 한다. 본 연구에서는 이러한 한계를 극복하기 위해 해상 환경에 특화된 데이터셋 구축 방법론과 제로샷 접근법 기반 의 인공지능 모델 개발 방법을 제안한다. 구체적으로 (1) 해양 특화 데이터 수집 장치 설계 및 제작, (2) 제로샷 접 근법을 활용한 해상 데이터 자동 라벨링 기술 개발, (3) 해상 환경 특화 인공지능 모델 개발, (4) 노이즈 완화 및 모델 최적화 기법 적용 등을 수행하였다. 개발된 시스템은 객체 탐지 및 분류, 거리 추정, 저조도 환경 극복 등의 작업에서 우수한 성능을 보여주었으며, 해상 환경에 적합한 제로샷 모델들을 통합하여 실제 해양 환경에서의 활용 가능성을 입증하였다.

The maritime environment plays a crucial role in various industrial sectors, including international trade, transportation, resource development, and marine tourism. However, there are limitations in directly applying existing artificial intelligence technologies developed for terrestrial environments due to the unique characteristics of maritime environments. This study proposes methodologies for constructing specialized maritime datasets and developing AI models based on zero-shot approaches to overcome these limitations. Specifically, we performed (1) design and manufacture of marine-specialized data collection devices, (2) development of automatic labeling technology for maritime data using zero-shot approaches, (3) development of AI models specialized for maritime environments, and (4) application of noise reduction and model optimization techniques. The developed system demonstrated excellent performance in tasks such as object detection and classification, distance estimation, and low-light environment enhancement, proving its applicability in real maritime environments through the integration of zero-shot models suitable for maritime conditions.

최근 드론 기술의 혁신으로 인해 다양한 산업 분야에서의 응용 시도가 두드러지게 증가하고 있다. 이 중에서도, 기 존의 고정형 CCTV 시스템을 대체하고자 드론을 활용한 감시 시스템을 구축하는 시도가 많아졌지만 센서의 무게 제한 및 캘리브레이션 문제와 같은 제약 사항이 발생한다. 이러한 어려움을 극복하고자, 본 논문에서는 인공지능 모 델을 기반으로 한 드론 감시 시스템을 소개한다. 우리는 인공지능 모델의 성능을 향상시키기 위해 가상 환경에서 합 성 데이터 수집 및 데이터 세트 구축을 수행하며, 실제 데이터 세트와 효과적으로 학습하는 몇 가지 학습 방법을 제 시한다. 뿐만 아니라, 드론 환경에서 자주 발생하는 작은 객체를 효과적으로 탐지하기 위한 방법론을 적용하고, 탐 지된 객체의 절대 좌표를 추정하기 위한 절대 좌표 추정 알고리즘을 제안한다. 더 나아가, 우리는 탐지된 객체에 대 한 고유한 식별 번호(ID), 속도 측정, 인체의 관절 위치와 같은 추가적인 속성을 통해 드론 감시 시스템을 고도화하 였으며, 이를 현실과 가상 환경에서 철저히 검증한다

Recently, drone technology innovations have led to a significant increase in application attempts in various industries. Among them, there are many attempts to build a surveillance system using drones to replace the existing fixed CCTV system, but constraints such as weight limitations and calibration problems of sensors occur. To overcome these difficulties, in this paper, we introduce a drone surveillance system based on an artificial intelligence(AI) model. To improve the performance of the AI model, we perform synthetic data collection and dataset construction in a virtual environment, and present several learning methods to effectively learn with real datasets. In addition, we apply a methodology to effectively detect small objects that often occur in the drone environment, and propose an absolute coordinate estimation algorithm to estimate the absolute coordinates of the detected objects. Furthermore, we enhance the drone surveillance system with additional attributes such as unique identification numbers (IDs), velocity measurements, and human keypoints for the detected objects, which are thoroughly validated in real and virtual environments.

This study investigates the utilization of existing CCTV networks for road traffic volume measurement, a key indicator of road infrastructure utility. Traditionally, traffic studies, which are costly and time-consuming, are divided into continuous or ad-hoc surveys. By leveraging current CCTV systems, the proposed method eliminates the need for new installations, conserving resources and increasing efficiency. Preliminary results indicate that this approach offers a time and cost-effective alternative for traffic assessments, with the potential to transform traditional survey techniques.

In recent object detection research, there has been a growing focus on Detection Transformers predicting bounding boxes directly. However, Detection Transformers face challenges such as slow convergence and difficulty in detecting small objects. We attribute these issues to the insufficient feature extraction capability of the backbone. Therefore, we employ the high-performing backbone, the Pyramid Pooling Transformer to detection Transformer. However, we observe a problem where, despite rapid initial convergence, the model fails to converge effectively after a certain point in training. We discuss the underlying causes of this issue in this study.

본 논문에서는 별도의 고사양 카메라 또는 센서를 사용하지 않고, 단일 RGB 카메라와 경량화된 자세추 정 모델만으로 3차원 다중 객체 추정 방법에 대하여 제안하였다. 이를 위하여 자세추정 모델로부터 추정한 2D 관 절 키포인트 좌표값으로 검출 박스를 추정하였으며, 검출 박스의 jitter 오류를 보완하고자 OneEuroFilter를 사용 하였다. 검출된 박스의 중심점을 사용하여 객체의 좌우 이동을 추적하였으며, 박스의 크기와 높이 그리고 비율을 사용한 깊이 추정을 통하여 객체 추적 알고리즘을 개발하였다. 또한, 다중 객체 추적을 위하여 객체가 검출된 프 레임을 ID 값으로 하여 전후 프레임간 검출된 관절 키포인트의 유사도를 검사하여 ID 매칭을 수행하였다.

This paper proposed a 3D MOT method with only a single RGB camera and a lightweight pose estimation model without using a separate high-end camera or sensor. To this end, the detection box was estimated from the 2D joint keypoint coordinate estimated from the pose estimation model and OneEuroFilter was used to compensate for the jitter error in the detection box. The center point of the detected box was used to track the left and right movement of the object, and an object tracking algorithm was developed through depth estimation using the size, height, and ratio of the box. In addition, for multiple object tracking, ID matching was performed by examining the similarity of joint key points detected between current and previous frames using the frame in which the object was detected as an ID value.

자율 주행과 교통 감시의 가장 중요한 것은 차량 감지 기술이다. 또한, 포트홀과 같이 도로의 특정 상황 은 교통사고와 차량 파손의 원인이다. 본 논문에서는 도로의 포트홀을 자동으로 발견하기 위해서 딥 러닝 모델을 사용한다. 본 연구에서는 이미지에서 차량 및 포트홀을 감지 할 수 있도록 빠른 영역 기반 컨볼루션 신경망 (Faster R-CNN)과 인셉션 네트워크 V2 모델을 사용하여 모델을 활용하였다. 제안하는 연구를 검증하기 위해 Faster R-CNN, Single Shot Detector(SSD), YOLO 알고리즘과 성능, 정확도수, 검출 시간 및 장단점을 비교 하였다. 논문에서 제안하는 방법은 SSD 및 YOLO와 같은 기존 방법보다 좋은 성능을 보여주었다. 여기서 성능 평가의 척도는 정확도를 사용하였다. 제안된 방법은 SSD 및 YOLO와 같은 이전 방법에 비해 6%의 개선을 보여준다.

Vehicle detection is the most crucial component of automated driving and traffic monitoring. Additionally, pothole-caused bad road conditions are to blame for collisions and car damage. Deep learning models are used in the suggested work. In this study, a fast region-based convolutional neural network (Faster R-CNN) and an inception network V2 model were utilized to detect vehicles and potholes in images. To verify the proposed study, Faster R-CNN, Single Shot Detector (SSD), and YOLO algorithms were compared in performance, number of accuracy, detection time, and strengths and weaknesses. Accuracy serves as the benchmark for performance evaluation. When compared to the earlier approaches, such as SSD and YOLO, the suggested method exhibits a 6% improvement.

연구목적: 본 논문은 지하공동구의 초기 화재 감지를 위해 CCTV를 활용한 AI 연기 객체 감지 모델을 개발하는데 목적이 있다. 연구방법: 비정형성이 높은 연기 객체의 감지 성능을 제고하기 위해 화재 감지 에 특화된 딥러닝 객체 감지 모델을 지하공동구 연기 감지에 특화되도록 학습시켰고, 학습데이터셋의 정제 및 학습 중 Gradient explosion 완화 등 감지 성능 개선을 위한 방법들을 적용해 모델 결과를 비교하 였다. 연구결과: 결과는 제안된 방법을 통해 모델 성능을 향상시켰고 mAP 등의 지표를 평가를 통해 개 발 모델이 우수한 성능을 보유하고 있음을 보여준다. 최종 모델은 지하공동구 환경의 연기에 대해 미탐 이 낮은 반면 오탐이 다수 발견되는 성능을 보였다. 결론: 본 논문의 모델은 지하공동구 관리시스템과 연계를 통해 보완함으로써 지하공동구의 연기 객체 감지에 활용할 수 있을 것으로 판단된다.

Purpose: The purpose of this paper is to develope smoke detection using AI model for detecting the initial fire in underground utility tunnels using CCTV Method: To improve detection performance of smoke which is high irregular, a deep learning model for fire detection was trained to optimize smoke detection. Also, several approaches such as dataset cleansing and gradient exploding release were applied to enhance model, and compared with results of those. Result: Results show the proposed approaches can improve the model performance, and the final model has good prediction capability according to several indexes such as mAP. However, the final model has low false negative but high false positive capacities. Conclusion: The present model can apply to smoke detection in underground utility tunnel, fixing the defect by linking between the model and the utility tunnel control system.

인구의 감소 및 고령화 사회가 진행되면서 운전자의 평균 연령은 높아지게 된다. 그에 따라 잠재적인 사고의 위험성이 높은 고령 운전자들은 자율 주행형 개인 이동체가 필요하게 된다. 이러한 이동체가 도로 주행 중에 안전성을 확보하기 위하여 여러 장애물에 대응할 기술이 요 구된다. 그 중에서도 주행 중에 마주할 수 있는 차량, 자전거, 사람과 같은 동적 장애물뿐만 아니라 도로 노면의 불량 상태와 같은 정적 장애물을 인식하는 기술이 가장 우선적으로 필요 하다. 이를 위해서 본 논문에서는 두 종류의 장애물을 동시에 탐지할 수 있는 심층 신경망 알 고리즘을 제안했다. 이 알고리즘을 개발하기 위해서 1,418장의 영상을 이용하여 7종의 동적 장 애물에 표기한 annotation data와 도로 노면 파손을 표시한 label 영상을 확보했다. 이를 이용하 여 학습한 결과, 46.22%의 평균 정확도로 동적 장애물을 탐지하고 74.71%의 mean intersection over union으로 도로 노면 파손을 탐지했다. 또한 한 장의 영상을 처리하는데 평균 소요시간은 89ms로 일반 차량보다 느린 개인 이동 차량에 사용하기 적합한 알고리즘을 개발했다. 향후 주 행 중 마주할 있는 도로 장애물을 탐지하는 기술을 활용하여 개인 이동 차량의 주행 안전성이 향상되길 기대한다.

As the population decreases in an aging society, the average age of drivers increases. Accordingly, the elderly at high risk of being in an accident need autonomous-driving vehicles. In order to secure driving safety on the road, several technologies to respond to various obstacles are required in those vehicles. Among them, technology is required to recognize static obstacles, such as poor road conditions, as well as dynamic obstacles, such as vehicles, bicycles, and people, that may be encountered while driving. In this study, we propose a deep neural network algorithm capable of simultaneously detecting these two types of obstacle. For this algorithm, we used 1,418 road images and produced annotation data that marks seven categories of dynamic obstacles and labels images to indicate road damage. As a result of training, dynamic obstacles were detected with an average accuracy of 46.22%, and road surface damage was detected with a mean intersection over union of 74.71%. In addition, the average elapsed time required to process a single image is 89ms, and this algorithm is suitable for personal mobility vehicles that are slower than ordinary vehicles. In the future, it is expected that driving safety with personal mobility vehicles will be improved by utilizing technology that detects road obstacles.

The leading source of occupational fatalities is a portable ladder in Korea because it is widely used in industry as work platform. In order to reduce victims, it is necessary to establish preventive measures for the accidents caused by portable ladder. Therefore, this study statistically analyzed injury death by portable ladder for recent 10 years to investigate the accident characteristics. Next, to monitor wearing of safety helmet in real-time while working on a portable ladder, this study developed an object detection model based on the You Only Look Once(YOLO) architecture, which can accurately detect objects within a reasonable time. The model was trained on 6,023 images with/without ladders and safety helmets. The performance of the proposed detection model was 0.795 for F1 score and 0.843 for mean average precision. In addition, the proposed model processed at least 25 frames per second which make the model suitable for real-time application.

딥러닝의 발전과 함께 영상 기반의 많은 분야에서 개선된 연구들이 제안되고 있다. 차량 번호판 인식 방 법에도 딥러닝을 적용하여 높은 성능을 보이고 있지만 대부분이 매우 많은 연산량을 필요로 하여 자원이 제한되 는 임베디드 시스템 같은 환경에서의 동작이 어려운 문제가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 임 베디드 시스템에서도 높은 성능을 보여주는 차량 번호판 인식 시스템을 제안한다. 제안하는 차량 번호판 인식 시 스템은 경량 백본과 최적화된 검출 네트워크를 결합한 차량 번호판과 번호를 검출하는 2개의 검출기와 번호를 인 식하는 분류 네트워크로 구성된다. 검증 데이터셋에 대한 실험에서 제안된 차량 번호판 인식 시스템은 98%의 높 은 정확도로 Nvidia RTX 2070 GPU에서 58FPS, Nvidia Jetson Nano에서 11FPS의 속도를 달성한다.

With the development of deep learning, improved studies have been proposed in many fields based on images. Although deep learning is applied to the vehicle license plate recognition method, it shows high performance, but most of them require a very large amount of computation, so there is a problem that it is difficult to operate in an environment such as an embedded system where resources are limited. To solve this problem, this paper proposes a vehicle license plate recognition system that shows high performance even in an embedded system. The proposed vehicle license plate recognition system is composed of a vehicle license plate combining a lightweight backbone and an optimized detection network, two detectors for detecting the number, and a classification network for recognizing the number. The vehicle license plate recognition system proposed in the experiment on the validation dataset achieves a speed of 58 FPS on the Nvidia RTX 2070 GPU and 11 FPS on the Nvidia Jetson Nano with a high accuracy of 98%.

Various underwater studies using underwater sonar sensors are actively in progress. However, unlike the ground, the underwater has a lot of noise. So it is difficult to accurately recognize the underwater environment. The final purpose of this study is to improve the efficiency of the underwater environment recognition using the underwater sonar sensor by developing a filtering algorithm that removes noise and expresses the object from the underwater sonar image captured by the underwater sonar sensor. To develop a filtering algorithm, convolutional calculations were used with three types of filters. This paper is about the case study that conducted to set the parameters of ‘Gabor Filter’ suitable for underwater sonar image during the design process of filtering algorithm. As a result, it was possible to find the most suitable ‘Gabor Filter’ parameters for underwater sonar images. And it showed high accuracy with a binary map of obstacles created by hand using the naked eye. Through this study, it can be utilized not only as a binary map of real-time obstacles, but also as an algorithm for generating object masks in underwater sonar images for deep learning.

Maintenance of power distribution facilities is a significant subject in the power supplies. Fault caused by deterioration in power distribution facilities may damage the entire power distribution system. However, current methods of diagnosing power distribution facilities have been manually diagnosed by the human inspector, resulting in continuous pole accidents. In order to improve the existing diagnostic methods, a thermal image analysis model is proposed in this work. Using a thermal image technique in diagnosis field is emerging in the various engineering field due to its non-contact, safe, and highly reliable energy detection technology. Deep learning object detection algorithms are trained with thermal images of a power distribution facility in order to automatically analyze its irregular energy status, hereby efficiently preventing fault of the system. The detected object is diagnosed through a thermal intensity area analysis. The proposed model in this work resulted 82% of accuracy of detecting an actual distribution system by analyzing more than 16,000 images of its thermal images.

ICT 기술의 발전과 스마트폰 보급의 활성화로 온라인 마켓을 통해 다양한 제품을 구매하는 구매 서비스가 활성화되 고 있다. 특히 보관 및 배송 기술의 발전으로 인하여 보관기관이 짧은 식자재의 경우도 온라인을 통해 구매가 가능함으로써 오프라인 판매만을 수행하는 상가의 경우 매출이 감소되고 있는 추세이다. 따라서 본 논문에서는 기존 오프라인 판매만 수행이 가능한 소규모 상가에서 전문적인 판매 지식 및 판매망이 없어도 구매 서비스를 통해 광고 효과 및 주문, 배달이 가능한 통합 솔루션을 제안한다. 제안하는 시스템은 사용자가 원하는 제품에 대한 이미지 검색을 통해 효율적으로 제품에 대한 정보를 카테고리별로 볼 수 있으며, 이로 인해 등록된 제품 판매처가 추가적인 광고가 없어도 효율적으로 판매가 가능하다는 장점이 있다.

With the development of ICT technology and the promotion of smartphone penetration, purchasing services that purchase various products through online market are being activated. In particular, due to advances in storage and delivery technology, sales of short food materials can be purchased online. Therefore, in this paper, we propose an integrated solution that enables advertisement effect, ordering and delivery through a purchase service even if there is no sales knowledge and sales network in a small shopping mall where only offline sales can be performed. The proposed system is able to efficiently view the product information by category through image search for the product that the user desires, so that the seller of the registered product can efficiently sell without any additional advertisement.

본 논문에서는 주차장 관리 시스템의 한 부분으로 차량 계수를 위한 감시 카메라 시스템의 컴퓨터 비전과 심층 학습 기반 기법을 제안하고자 한다. You Only Look Once 버전 2 (YOLOv2) 탐지기를 적용하고 YOLOv2 기반의 심층 컨볼루션 신경망(CNN)을 다른 아키텍처와 두 가지 모델로 구성하였다. 제안 된 아키텍처의 효과를 Udacity의 자체 운전 차량 데이터 세트를 사용 하여 설명하였다. 학습 및 테스트 결과, 자동차, 트럭 및 보행자 탐지 시 원래 구조(YOLOv2)의 경우 47.89%의 mAP를 나타내는 것에 비하여, 제안하는 모델의 경우 64.30 %의 mAP를 달성하 여 탐지 정확도가 향상되었음을 증명하였다.

This paper proposes a computer vision and deep learning-based technique for surveillance camera system for vehicle counting as one part of parking lot management system. We applied the You Only Look Once version 2 (YOLOv2) detector and come up with a deep convolutional neural network (CNN) based on YOLOv2 with a different architecture and two models. The effectiveness of the proposed architecture is illustrated using a publicly available Udacity’s self-driving-car datasets. After training and testing, our proposed architecture with new models is able to obtain 64.30% mean average precision which is a better performance compare to the original architecture (YOLOv2) that achieved only 47.89% mean average precision on the detection of car, truck, and pedestrian.