KLI

딥러닝 기반의 Semantic Segmentation을 위한 Residual U-Net에 관한 연구

Metadata Downloads
Abstract
본 논문에서는 U-Net 기반의 semantic segmentation 방법에서 정확도를 향상시키기 위해 residual learning을 활용한 인코더-디코더 구조의 모델을 제안하였다. U-Net은 딥러닝 기반의 semantic segmentation 방법이며 자율주행 자동차, 의료 영상 분석과 같은 응용 분야에서 주로 사용된다. 기존 U-Net은 인코더의 얕은 구조로 인해 특징 압축 과정에서 손실이 발생한다. 특징 손실은 객체의 클래스 분류에 필요한 context 정보 부족을 초래하고 segmentation 정확도를 감소시키는 문제가 있다. 이를 개선하기 위해 제안하는 방법은 기존 U-Net에 특징 손실과 기울기 소실 문제를 방지하는데 효과적인 residual learning을 활용한 인코더를 통해 context 정보를 효율적으로 추출하였다. 또한, 인코더에서 down-sampling 연산을 줄여 특징맵에 포함된 공간 정보의 손실을 개선하였다. 제안하는 방법은 Cityscapes 데이터셋 실험에서 기존 U-Net 방법에 비해 segmentation 결과가 약 12% 향상되었다.
Author(s)
신석용이상훈한현호
Issued Date
2021
Type
Article
Keyword
딥러닝인코더-디코더영상처리Residual learningSemantic segmentation
DOI
10.14400/JDC.2021.19.6.251
URI
https://oak.ulsan.ac.kr/handle/2021.oak/9171
https://ulsan-primo.hosted.exlibrisgroup.com/primo-explore/fulldisplay?docid=TN_cdi_nrf_kci_oai_kci_go_kr_ARTI_9799142&context=PC&vid=ULSAN&lang=ko_KR&search_scope=default_scope&adaptor=primo_central_multiple_fe&tab=default_tab&query=any,contains,%EB%94%A5%EB%9F%AC%EB%8B%9D%20%EA%B8%B0%EB%B0%98%EC%9D%98%20Semantic%20Segmentation%EC%9D%84%20%EC%9C%84%ED%95%9C%20Residual%20U-Net%EC%97%90%20%EA%B4%80%ED%95%9C%20%EC%97%B0%EA%B5%AC&offset=0&pcAvailability=true
Publisher
디지털융복합연구
Location
대한민국
Language
한국어
ISSN
2713-6434
Citation Volume
19
Citation Number
6
Citation Start Page
251
Citation End Page
257
Appears in Collections:
Engineering > IT Convergence
Authorize & License
  • Authorize공개
Files in This Item:
  • There are no files associated with this item.

Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.