Object detection in a road scene has received a significant interest in the research field of developing autonomous vehicles and automatic road monitoring systems. However, object occlusion problems frequently happen in generic road scene. Due to the occlusion problem, previous object detection methods have limitations that they could not detect objects correctly. In this thesis, we propose a novel object detection network aiming to an occlusion robust method. To effectively detect object even in occlusion cases, the proposed network mainly consists of two parts; 1) Object bounding box (OBB)-critic network which handle occlusion early at feature map encoded from input image. 2) RoI object bounding box-critic network which handle occlusion at the RoI feature predicted in the Region Proposal Network (RPN). Two OBB-critic networks are trained by an adversarial learning. Comprehensive experimental results on a KITTI dataset showed that the proposed object detection network outperformed state-of-the-art object detection methods.
도로 장면에서 객체 검출은 연구 분야에서 상당한 관심을 얻었고, 자율 차량 및 자동 도로 모니터링 시스템과 같은 분야에 적용된다. 하지만 도로 장면에서 오클루전과 같은 문제가 자주 발생한다. 오클루전이 일어난 경우에 기존 방식들은 올바르게 검출하지 못한 한계를 보였다. 위 논문에서는 오클루전에 강인한 새로운 객체 검출 네트워크를 제안한다. 오클루전에 효과적으로 객체를 검출하기 위해서 제안하는 네트워크는 두 부분으로 구성이 되어 있다. 1) 입력 영상으로부터 인코딩 된 특징 맵으로부터 오클루전을 고려한 객체 영역-비평 네트워크. 2) Region Proposal Network (RPN)으로부터 예측된 관심영역 특징 맵으로부터 오클루전을 고려한 관심영역 객체 영역-비평 네트워크. 두 개의 객체 영역-비평 네트워크는 적대적으로 학습된다. KITTI 데이터셋에 대한 포괄적인 실험을 통해 오클루전을 고려한 제안하는 객체 검출 네트워크가 기존의 방식보다 우수함을 보인다.
