해상 영상에서 관심영역 추출과 합성곱 신경망을 활용한 선박 분류

국문 초록 (Abstract)

최근에 해양에서는 선박 스스로 주변 상황을 인지하고 운항할 수 있는 자율운항 기술개발이 활발하게 이루어지고 있다. 이를 위해, 카메라를 통한 영상정보를 활용하여 인간의 시각 정보를 대신할 수 있는 기술에 대한 중요성이 대두되고 있다. 카메라 영상을 기반으로 한 상황인지 기술을 위해서는 영상에서 존재하는 다양한 객체 정보를 분석하는 객체 분류 기술이 필수적이다. 본 논문에서는 해양 영상에서 관심 영역 추출과 합성곱 신경망을 활용하여 선박 분류 정확도를 향상시킬 수 있는 방법을 제안한다. 본 논문에서 제안된 방식의 성능을 검증하기 위해 공개 데이터 셋을 이용하여 기존의 합성곱 신경망 기반 방법과의 비교 실험을 수행하였으며, 실험을 통해 본 논문에서 제안된 방식이 선박 분류 정확도를 향상시킬 수 있음을 확인하였다. 제안된 방법을 활용하여 자율운항선박에서는 다른 해상 장비와의 센서 퓨전을 통하여 객체 데이터의 신뢰성을 확보할 수 있으며, 이를 통해 충돌 회피 및 안전한 운항이 가능할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Recently, autonomous navigation technology has been actively developed in order to recognize and operate the vessel itself. For this purpose, importance is attached to technologies that can substitute human visual information by utilizing image information through a camera. For the context recognition based on the camera image, object classification technology for analyzing various object information existing in the image is essential. In this paper, we propose a method to improve the accuracy of ship classification by using region of interest and artificial neural network. In order to verify the performance of the propose method in this paper, we performed a comparative experiment with the convolution artificial neural network based on the open data set. Experimental results show that the proposed method improves the accuracy of vessel classification. By using the proposed method, it is possible to secure the reliability of object data through sensor fusion with autonomous vessels, and it is expected that collision avoidance and safe operation will be possible.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 데이터 구성 방법
• 3. 관심 영역 추출 방법
• 4. 합성곱 신경망을 활용한 선박 분류
• 5. 실험 및 결과 비교
• 6. 결론 및 향후 연구
• References

참고문헌 (Reference)

1 C. Gabriella, "Visual categorization with bags of keypoints" 2004

2 Jaeyun Bae, "Vision-Based Ship Detection Using HOG and Fuzzy SVM" 25 (25): 2015

3 K. Simoyan, "Very Deep Convolutional Networks for Large-Scale Image Recognition"

4 Marti A. Hearst, "Support Vector Machines" 13 (13): 18-28, 1998

5 L. Maxime, "Ship Classification using Deep Learning Techniques for Maritime Target Tracking" 737-744, 2018

6 A. Okan, "Ship Classification Using an Image Data"

7 E. Gundogdu, "Marvel : A largescale image dataset for maritime vessels" 5 (5): 165-180, 2016

8 M. Oquab, "Learning and transferring mid-level image representations using convolutional neural networks" 1717-1724, 2014

9 C. Szegedy, "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning" 4 : 12-, 2017

10 K. Alex, "ImageNet Classification with Deep Convolution Nerual Networks" 1 : 1097-1105, 2012

11 C. Szegedy, "Going Deeper with Convolutions"

12 K. He, "Deep Residual Learning for Image Recognition"

13 A. Mikolajczyk, "Data augmentation for improving deep learning in image classification problem" 117-122, 2018

14 J. Canny, "A Computational Approach To Edge Detection" PAMI-8 (PAMI-8): 678-698, 1986