표제지
요약
목차
제1장 서론 11
제1절 연구목적 11
1. 연구목적 11
제2절 연구범위 및 방법 14
1. 연구 범위 14
2. 연구 방법 14
제2장 관련 연구 16
제1절 CNN 알고리즘 발전과정 16
1. CNN 알고리즘 16
2. Fast/Faster R_CNN 알고리즘 19
3. YOLO 알고리즘 21
4. Mask R_CNN 알고리즘 22
제2절 관련연구 고찰 25
1. 원격으로 촬영한 광학영상 내 객체 식별 연구 25
2. 인공신경망을 통한 선박 식별 연구 26
3. 인공신경망을 통한 항공기 식별 연구 27
제3절 선행연구 고찰 30
1. 관심 영역 식별 30
2. 이미지 분할 32
3. Preprocessing Layer 34
4. combined Layer 35
제3장 결합된 CNN 알고리즘 36
제1절 개요 36
제2절 결합된 CNN 알고리즘 수행 단계 38
1. 1단계 : Preprocessing Layer 38
2. 2단계 : Verification Layer 39
3. 3단계 : Combined Layer 40
제4장 실험 및 분석 41
제1절 상용 CNN 알고리즘의 객체 식별 성능 비교 41
1. 개요 41
2. 실험 결과 41
제2절 Verification Layer 성능 검증 43
1. 상용 CNN 알고리즘 오탐 제거 성능 테스트 43
제3절 YOLO 알고리즘 학습 모델 생성 45
1. YOLO 학습 데이터셋 생성 45
2. YOLO v3를 이용한 학습 및 결과 47
제4절 Mask R-CNN 알고리즘 학습모델 생성 48
1. Mask R-CNN 학습 데이터 생성 48
2. Mask R-CNN을 이용한 학습 및 결과 51
제5절 실험 결과 및 분석 52
1. Verification Layer의 알고리즘의 성능 52
제5장 결론 57
참고문헌 59
Abstract 64
〈표 1-1〉 실험진행 환경(Google Colab) 15
〈표 2-1〉 알고리즘 간 성능 비교 21
〈표 2-2〉 객체 종류별 관심영역 구분 예시 34
〈표 4-1〉 각 알고리즘의 객체식별 성능 비교 42
〈표 4-2〉 오탐 제거 테스트 결과 43
〈표 4-3〉 기존의 CNN 알고리즘의 항공기 식별 결과 53
〈표 4-4〉 결합된 CNN 알고리즘의 항공기 식별 결과 53
〈그림 1-1〉 선행연구의 CNN 알고리즘 테스트 결과 13
〈그림 2-1〉 CNN 알고리즘의 기본 구조 16
〈그림 2-2〉 초창기 객체식별 방식 17
〈그림 2-3〉 R-CNN의 동작 방식 18
〈그림 2-4〉 Fast R-CNN의 동작 방식 20
〈그림 2-5〉 Faster R-CNN의 RPN 20
〈그림 2-6〉 YOLO의 기본 원리 22
〈그림 2-7〉 Faster R-CNN과 Binary Mask를 합한 구조 22
〈그림 2-8〉 Mask R-CNN framework for instance segmentation 23
〈그림 2-9〉 Mask R-CNN 적용 이미지 예시 24
〈그림 2-10〉 대형 이미지에서의 관심 영역 식별 31
〈그림 2-11〉 이미지의 분할 모델 순서 32
〈그림 2-12〉 이미지의 분할 예시 33
〈그림 2-13〉 Combine Layer에서의 이미지 합성 35
〈그림 3-1〉 결합된 CNN 알고리즘 객체 탐지 모델 37
〈그림 4-1〉 관심영역 데이터셋 예시(비행장) 45
〈그림 4-2〉 관심영역 데이터셋 예시(항공기) 46
〈그림 4-3〉 위성영상에서의 관심영역 식별 결과 47
〈그림 4-4〉 편집 전 객체 이미지 48
〈그림 4-5〉 Foreground 이미지 49
〈그림 4-6〉 합성된 학습 이미지 50
〈그림 4-7〉 Masking 된 학습 이미지 50
〈그림 4-8〉 Mask R-CNN으로 학습한 모델의 테스트 결과 51
〈그림 4-9〉 Mask R-CNN의 오탐 객체 테스트 결과 54
〈그림 4-10〉 Mask R-CNN의 항공기 테스트 결과 55
〈그림 4-11〉 기존(위) / 제안(아래) CNN 알고리즘의 테스트 결과 비교 56