표제지
목차
국문초록 10
I. 서론 12
II. 관련 연구 16
2.1. CAM 16
2.2. 운전자 부주의 검출 19
III. 제안 방법 21
3.1. CAM과 Selective Search를 이용한 WSOL 성능 개선 21
3.1.1. CAM을 이용한 주의 영역 추출 23
3.1.2. Selective Search를 이용한 영역 추출 24
3.1.3. CAM과 SS 영역들의 결합을 통한 주의 영역 확장 26
3.1.4. 주의 영역의 블러링 통한 재학습 데이터 생성 28
3.1.5. 재학습을 통한 새로운 CAM 모델 생성 29
3.1.6. CAM1 예측 결과를 이용한 CAM2 주의 영역 추출 30
3.2. CAM 기반 모델 결합을 통한 운전자 부주의 정확도 향상 31
3.2.1. CAM을 이용한 전체 분류 및 상세 분류 33
3.2.2. 스코어를 이용한 분류 36
3.2.3. 분류 결과를 이용한 특징 영역 추출 39
IV. 실험 결과 41
4.1. 실험 환경 41
4.2. CAM의 Localization 성능 향상 결과 45
4.3. 운전자 부주의 검출 정확도 향상 결과 49
V. 결론 55
참고문헌 57
ABSTRACT 63
〈표 1〉 훈련, 검증, 테스트 데이터셋 개수 42
〈표 2〉 CAM1, CAM2 그리고 CAM1 의 분류 결과 + CAM2의 주의... 45
〈표 3〉 모델 정확도 비교 49
〈표 4〉 히든 레이어와 활성화 함수의 수에 따른 정확도 50
〈표 5〉 동일한 State Farm 데이터셋을 이용하는... 50
〈표 6〉 특징적 주의 영역의 정확도 비교 52
[그림 1] 개의 이미지와 CAM 히트맵 13
[그림 2] 제안하는 방법의 개요 21
[그림 3] CAM 알고리즘 23
[그림 4] SS에 의한 바운딩 박스 추출 24
[그림 5] CAM과 SS의 바운딩 박스 결합 방법 26
[그림 6] SS의 바운딩 박스를 고려한 CAM의 확장 바운딩 박스 26
[그림 7] 제안하는 재훈련 방법과 ACoL의 방법 비교 28
[그림 8] CAM1 예측 결과를 고려한 CAM2 히트맵 선정 30
[그림 9] 제안하는 방법의 개요 31
[그림 10] 기본 모델에서의 10 클래스 혼동 행렬 33
[그림 11] 보조 클래스 모델과 관련한 예시들 34
[그림 12] 클래스 C3 이미지가 분류 모델에 들어갔을 때 GAP 층 이후의... 36
[그림 13] 두 개의 히트맵 결합 방법 38
[그림 14] 기본 및 하위 클래스 모델의 히트맵 및 최종 결합 히트맵 38
[그림 15] CAM과 CAM+SS 방법 사이의 바운딩 박스 비교 47
[그림 16] CAM과 ACoL, 우리 방법 간의 주의 영역 비교 48
[그림 17] 클래스 구분을 위해 집중해야 할 영역 51
[그림 18] 기존 CAM과 우리 방법의 주의 영역 비교 53