표제지
목차
국문 요약 10
영문 요약 11
제1장 서론 12
1.1. 연구 동기 12
1.2. 연구 목표 14
1.3. 논문의 구성 15
제2장 배경지식 및 관련연구 16
2.1. CNN 16
2.1.1. AlexNet 17
2.1.2. GoogLeNet 18
2.1.3. ResNet 21
2.1.4. ResNet 변형 모델 21
2.2. 차선 인식 네트워크 25
2.2.1. LaneNet 25
2.2.2. PINet 27
제3장 제안하는 방법 31
3.1. 차선 인식 31
3.2. 도로 손상 인식 33
3.3. 심층 신경망 모델 34
3.3.1. 백본 네트워크 36
3.3.2. 그룹 합성곱 레이어(결과 레이어) 37
3.4. 학습 데이터 39
3.4.1. 차선 학습 데이터 39
3.4.2. 도로 손상 학습 데이터 42
제4장 성능 평가 및 결과 43
4.1. 차선 인식 43
4.2. 도로 손상 인식 45
제5장 결론 47
참고문헌 49
표 2.1. ResNet 및 ResNeST 백본의 성능 비교 25
표 2.2. PINet의 Resizing layer 및 bottleneck layer 구성 29
표 4.1. 차선 인식 평가 결과 44
표 4.2. 도로 손상 인식 평가 결과 46
그림 2.1. 행렬의 합성곱 연산 16
그림 2.2. AlexNet의 구조 18
그림 2.3. 기본 Inception module 및 차원 축소가 적용된 Inception module 19
그림 2.4. GoogleNet의 구조 20
그림 2.5. ResNet의 생략 연결(Skip-connection) 블록 21
그림 2.6. SE-Net의 특성 추출 블록 개요도 22
그림 2.7. SK-Net의 특성 추출 블록 개요도 23
그림 2.8. 각 네트워크별 특성 추출 블록 비교 24
그림 2.9. ResNest의 split attention 블록 구조 24
그림 2.10. LaneNet의 네트워크 구조 26
그림 2.11. PINet의 네트워크 구조 27
그림 2.12. hourglass block의 구조 28
그림 3.1. 기존 이미지 세그멘테이션과 차선 인식을 위한 세그멘테이션의 차이 32
그림 3.2. 그리드 특성맵을 통한 이진 세그멘테이션 33
그림 3.3. 제안하는 심층 신경망 구조 35
그림 3.4. ResNeST와 다른 백본 네트워크의 성능 비교 36
그림 3.5. tusimple 데이터 셋 예시 40
그림 3.6. 구성한 차선 인식 데이터 셋 41
그림 3.7. 도로 손상 데이터 셋 42
그림 4.1. 혼동 행렬과 구성 요소 43
그림 4.2. 차선 인식 결과 45
그림 4.3. IoU(intersection of union) 46