서지주요정보
Two-level distribution alignment for unsupervised domain adaptation of LiDAR-based object detector = 라이다 기반 물체 검출기의 비지도 도메인 적응을 위한 두 단계 분포 정렬 방법
서명 / 저자 Two-level distribution alignment for unsupervised domain adaptation of LiDAR-based object detector = 라이다 기반 물체 검출기의 비지도 도메인 적응을 위한 두 단계 분포 정렬 방법 / Hee-Cheol Yoo.
발행사항 [대전 : 한국과학기술원, 2021].
Online Access 원문보기 원문인쇄

소장정보

등록번호

8037070

소장위치/청구기호

학술문화관(도서관)2층 패컬티라운지(학위논문)

MPD 21006

휴대폰 전송

도서상태

이용가능

대출가능

반납예정일

리뷰정보

초록정보

In autonomous driving, object detection technology is an essential part of recognizing the driving environment, and a high-performance deep learning-based method attracts significant interest. Thus, a vast amount of learning data is essential, and the demand for quality data is also increasing. However, data suitable for various sensor configurations and the purpose of use cannot meet this demand. An adaptation method based on transfer learning that enables heterogeneous data was proposed to solve this problem. In the case of LiDAR, many changes occur in the distribution of the point cloud created according to the number of channels, mounting positions, and beam angles of the product. Due to this change, the training data suitable for the user's LiDAR configuration is more insufficient. Also, in point clouds, there is no standard large scale data set as an image domain, feature vector extraction method, and transfer learning is hardly attempted. Therefore, in this study, we aim to develop a transfer learning method for LiDAR object detection. The developed method is evaluated with two public datasets. Through this, it is expected that a deep learning model can be trained with sufficiently existing heterogeneous data and then adapted with a small amount of homogeneous data to develop an object detection algorithm.

자율주행에 있어 물체 검출 기술은 주행환경 인지를 위한 필수적인 부분으로 높은 성능의 심층학습(Deep Learning) 기반의 방식이 각광을 받고 있다. 이를 위해서는 방대한 양의 학습 데이터가 필수적이며 양질의 데이터에 대한 수요 또한 증가하고 있다. 하지만 다양한 센서 구성과 사용 목적에 부합하는 데이터는 이러한 수요를 충족시키지 못하고 있다. 이를 해결하기 위해 이종 데이터의 사용을 가능하게 하는 전이학습 기반의 적응 방법이 제안되었다. 라이다(LiDAR)의 경우 제품의 채널 수, 장착 위치 및 각도에 따라 생성되는 점군(point cloud)의 분포에 많은 변화가 생기게 된다. 이러한 변화로 인해 사용자의 라이다 구성에 적합한 학습 데이터는 더욱 부족한 상황이다. 또한, 이미지와는 다르게 점군의 경우 표현방식과 분포가 다양하여 표준적인 데이터셋과 특징 벡터 추출 방식이 없고 전이학습 적용 또한 거의 시도되지 않았다. 따라서 본 연구에서는 이러한 기술적 문제를 해결하기 위해 라이다 기반의 물체 검출을 위한 전이학습 방법을 개발하는 것을 목표로 한다. 개발된 방법은 두 종류의 공개 데이터셋을 이용하여 성능 평가를 진행하고 추가적인 미세조정을 통한 성능 향상을 평가한다. 제안 방법을 통해, 충분히 존재하는 이종 데이터로 딥러닝 모델을 학습시키고 적은 양의 동종 데이터로 모델을 적응시켜 효율적으로 물체 검출 알고리즘을 개발할 수 있을 것으로 기대된다.

서지기타정보

서지기타정보
청구기호 {MPD 21006
형태사항 iv, 45 p. : 삽화 ; 30 cm
언어 영어
일반주기 저자명의 한글표기 : 유희철
지도교수의 영문표기 : Dongsuk Kum
지도교수의 한글표기 : 금동석
학위논문 학위논문(석사) - 한국과학기술원 : 미래자동차학제전공,
서지주기 References : p. 41-43
QR CODE qr code