표제지
목차
ABSTRACT 9
제1장 서론 10
제1절 연구의 배경 및 필요성 10
제2절 논문 구성 13
제2장 배경 이론 및 관련 연구 14
제1절 2차원 차선 검출 방법 14
제2절 특징의 관점 변환 방법 16
제3장 제안하는 방법 19
제1절 제안하는 신경망의 구조 세부 사항 19
제2절 손실 함수 (Loss Function) 24
제4장 실험 결과 및 분석 27
제1절 벤치마크 데이터셋 (Benchmark Dataset) 27
제2절 학습 과정 (Training) 28
제3절 성능 평가 (Performance Evaluation) 28
제4절 구조 변화에 따른 비교 실험 35
제5절 제안하는 방법의 한계점 36
제5장 결론 39
참고문헌 40
국문초록 43
〈표 3-1〉 제안하는 방법에서 높이 맵 생성과정의 상세 구조. 21
〈표 4-1〉 Apollo Synthetic 3D lane 데이터셋에서의 정량적 성능 평가 (가장 높은 성능은 굵은 글씨로 표시) 29
〈표 4-2〉 Openlane 데이터셋에서의 정량적 성능 평가 (가장 높은 성능은 굵은 글씨로 표시) 29
〈표 4-3〉 신경망의 구성 요소 변경에 따른 성능 분석 (가장 높은 성능은 굵은 글씨로 표시) 36
〈그림 1-1〉 제안하는 방법에 의한 3차원 차선 검출 결과의 측면 예시. 여기서 빨간색 선은 정답, 파란색 선은 예측한 차선을 나타낸다.... 11
〈그림 3-1〉 3차원 차선 검출을 위해 제안하는 방법의 전체 구조. 20
〈그림 3-2〉 제안하는 방법의 높이 맵을 구하는 상세 구조. 왼쪽에서 오른쪽으로 : (a) 3차원 RoI 시각화, (b) 2차원 RoI 시각화, (c) 각... 21
〈그림 3-3〉 제안하는 방법의 높이 맵을 구하는 상세 구조. 22
〈그림 4-1〉 Openlane 데이터셋에서의 3차원 차선 검출의 결과. 30
〈그림 4-2〉 Openlane 데이터셋에서의 3차원 차선 검출의 측면 결과. 31
〈그림 4-3〉 급격한 경사에서 3차원 차선 검출의 결과. 32
〈그림 4-4〉 급격한 경사에서 3차원 차선 검출의 측면 결과. 33
〈그림 4-5〉 Apollo Synthetic 3D lane 데이터셋과 Openlane 데이터셋에서 제안하는 방법의 높이 맵 결과. 왼쪽에서 오른쪽으로 (a)... 34
〈그림 4-6〉 임베딩 공간의 시각화. 여기서 각 점의 색은 카메라로부터 떨어진 깊이의 정도를 나타낸다. 높이 맵에서 파란색 점은 예측한 높이... 35
〈그림 4-7〉 제안하는 방법을 이용하여 차선을 잘못 검출한 예. 여기서 빨간색 선은 정답, 파란색 선은 예측한 차선을 나타낸다. 왼쪽에서... 37