BiFPN 기반의 RetinaNet을 이용한 객체 탐지 알고리즘에 관한 연구

국문 초록 (Abstract)

SNS가 발전함에 따라 다양한 데이터들이 수집되고 있다. 2010년대 이후 컴
퓨터 하드웨어의 발전으로 딥러닝 관련 연구가 전 세계에서 주목받고 있다. 딥러닝은 자연어 처리에서부터 컴퓨터 비전까지 안전, 의료, 국방 등 다양한 분야의 문제를 해결하는 데 활용되고 있다. 특히 컴퓨터 비전 중 영상처리 분야에서 인간의 시각 요소 분석을 컴퓨터가 대신 분석할 수 있도록 하는 연구가 활발하게 진행되고 있다. 영상처리 분야 중 딥러닝을 사용하여 영상 내 객체를 탐지하는 객체 탐지에 관한 연구들이 진행되고 있다. 딥러닝 기반 객체 탐지는 스마트폰, 드론, 보안, 자율주행, 로봇, 제조업 등 다양한 분야에서 활용될 수 있는 컴퓨터 비전 기술이다. 이러한 객체 탐지 기법은 사용 목적에 부합되는 결과를 제공하고 실시간으로 동작하기 위해 빠른 속도와 높은 수준의 정확률을 요구한다.
딥러닝을 활용한 객체 탐지 기법은 1단계 기반의 객체 탐지 알고리즘과 2단
계 기반의 객체 탐지 알고리즘으로 구분할 수 있다. 1단계 기반의 알고리즘은 빠른 속도가 장점이지만 비교적 낮은 정확도를 포함하고 있다. 그러나 2단계 기반의 알고리즘은 높은 정확도가 장점이지만 가지지만 느린 탐지 속도를 포함하고 있다. 현재 딥러닝을 활용한 객체 탐지 기법은 1단계 기반의 알고리즘 장점과 2단계 기반의 알고리즘 장점을 결합한 새로운 알고리즘에 관한 연구가 진행 중이다.
이에 본 논문에서는 객체 탐지 알고리즘의 성능 향상을 위해 1단계 기반의
RetinaNet 알고리즘에 BiFPN 구조를 적용한 알고리즘을 제안한다. FPN이 동일한 가중치를 부여하는 문제를 해결하기 위해 BiFPN 구조로 변경한다. 또한, ReLU 활성화 함수에 음수가 입력되면 학습이 되지 않는 문제점이 있다. 이를 해결하기 위해 SELU 활성화 함수를 사용하여 학습 중에 오류가 발생하지 않게 한다. 아울러 제안하는 알고리즘의 객체 탐지 모델의 성능평가를 위해 COCO 데이터 집합과 데이터 저장장치 이미지를 활용하여 기존 모델과 비교 및 평가한다.

목차 (Table of Contents)

• I. 서 론 1
• 1. 연구배경 1
• 2. 연구 목적 및 범위 3
• 3. 논문의 구성 4
• II. 관련 연구 5
• 1. 딥러닝 5
• 2. 객체 탐지 알고리즘 9
• 3. Feautre Pyramid Network 16
• III. 제안하는 모델 설계 18
• 1. 이미지 전처리 모듈 설계 19
• 2. 객체 탐지 모델 설계 20
• IV. 구현 및 성능평가 26
• 1. 시스템 구현 환경 26
• 2. 학습 및 테스트 데이터 26
• 3. 제안하는 객체 탐지 모델의 성능평가 30
• Ⅴ. 결론 및 향후 연구 36
• 참고문헌 37