표제지
요약
목차
제1장 서론 9
제1절 연구의 목적 9
제2절 객체 인식 기반 연구 11
제3절 영상 분류 기반 연구 12
제4절 객체 탐지에 대한 기존 연구 13
제5절 논문의 구성 14
제2장 항공 영상을 이용한 옥외문화재 탐지 모델 설계 15
제1절 심층 신경망 기반 객체 탐지 모델 15
1. 영상 분류 연구 16
2. Faster R-CNN 20
3. Anchor Box 22
제2절 Data set 구축 및 분석 26
1. 드론을 활용한 Data set 구축 27
2. K-means Clustering을 이용한 Data set 분석 29
3. scale imbalance problems에 대한 Data set 보완 34
제3절 제안하는 모델 37
제3장 항공 영상을 이용한 옥외문화재 탐지 모델 실험 결과 및 분석 39
제1절 항공 영상을 이용한 옥외문화재 탐지 모델 개요 39
제2절 항공 영상을 이용한 옥외문화재 탐지 모델에 대한 성능 평가 및 분석 40
1. Resnet50 기반 Faster R-CNN의 문화재 영역 탐지 실험 결과 41
2. scale imbalance problem이 고려되지 않은 문화재 영역 탐지 모델에 대한 실험 결과 44
제3절 항공 영상을 이용한 옥외문화재 탐지 모델에 대한 활용 46
1. 옥외 문화재 탐지 이후 U-net을 활용한 손상 감지 46
2. 옥외 문화재 손상 현황 조사 자동화 프로그램 48
제4장 결론 및 향후 연구 51
참고문헌 53
ABSTRACT 58
〈표 2-1〉 병합 영상을 생성하는 알고리즘 36
〈표 2-2〉 기존 모델 및 제안하는 모델 38
〈표 3-1〉 옥외문화재 Data set 구성 39
〈표 3-2〉 실험 조건별 mAP 42
〈표 3-3〉 scale imbalance problem 실험 조건별 mAP 45
[그림 1-1] YOLO v2의 architecture 13
[그림 2-1] Resnet의 building block 2가지 type 17
[그림 2-2] Resnet50의 구조 19
[그림 2-3] Convolution neural netwrok를 공유하는 Faster R-CNN 20
[그림 2-4] Region Proposal Network의 구조 22
[그림 2-5] Anchor box가 생성되는 예시 24
[그림 2-6] RPN에서 연산한 Anchor box에 대한 매개변수 25
[그림 2-7] 드론으로 촬영한 옥외 문화재 영상 28
[그림 2-8] 항공 영상에서 옥외 문화재 영역 크기 분포 29
[그림 2-9] K=2 일 때 K-means clustering algorithm 결과 31
[그림 2-10] K=3 일 때 K-means clustering algorithm 결과 31
[그림 2-11] K=4 일 때 K-means clustering algorithm 결과 32
[그림 2-12] K=5 일 때 K-means clustering algorithm 결과 32
[그림 2-13] K=9 일 때 K-means clustering algorithm 결과 33
[그림 2-14] scale imbalance problem을 야기할 수 있는 영상 34
[그림 2-15] 생성된 병합 영상 35
[그림 3-1] Resnet 기반의 Faster R-CNN 모델의 객체 탐지 결과 41
[그림 3-2] Data set의 옥외 문화재 영역 크기 분포 43
[그림 3-3] 손상된 옥외 문화재 예시 47
[그림 3-4] 옥외 문화재의 손상 영역 판별 결과 47
[그림 3-5] 옥외 문화재 탐지 영역 분할 48
[그림 3-6] 옥외 문화재 손상 영역 검출 49
[그림 3-7] 옥외 문화재 영역 탐지 및 손상 영역 검출 결과 49
[그림 3-8] 문화재 점검 솔루션 50