Convergence Security Journal (융합보안논문지)

Korea convergence Security Association (한국융합보안학회)
권호 표지
DOI QR코드

DOI QR Code

Enhancing Object Recognition in the Defense Sector: A Research Study on Partially Obscured Objects

국방 분야에서 일부 노출된 물체 인식 향상에 대한 연구

  • 김영훈 (제3군단 제20기갑여단 정보통신대) ;
  • 권현 (육군사관학교 AI.데이터과학과)
  • Received : 2023.11.03
  • Accepted : 2024.03.18
  • Published : 2024.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

Recent research has seen significant improvements in various object detection and classification models overall. However, the study of object detection and classification in situations where objects are partially obscured remains an intriguing research topic. Particularly in the military domain, unmanned combat systems are often used to detect and classify objects, which are typically partially concealed or camouflaged in military scenarios. In this study, a method is proposed to enhance the classification performance of partially obscured objects. This method involves adding occlusions to specific parts of object images, considering the surrounding environment, and has been shown to improve the classification performance for concealed and obscured objects. Experimental results demonstrate that the proposed method leads to enhanced object classification compared to conventional methods for concealed and obscured objects.

최근 연구를 통해 다양한 물체 탐지 및 분류 모델은 전반적으로 크게 성능 향상이 이루워졌지만, 물체가 부분적으로 노출된 상황에서의 물체 탐지 및 분류에 대한 연구는 미흡한 실정이다. 특히, 군사 분야에서 무인전투체계가 물체를 탐지하고 분류하는 데 사용되는 경우, 군사적 상황에서 물체는 일반적으로 부분적으로 가려진 상태나 위장된 상태일 가능성이 높다. 본 연구에서는 부분적으로 가려진 물체의 분류 성능을 향상시키는 방법을 제안한다. 이 방법은 물체 이미지 상에 특정 부분을 주변 환경을 고려하여 가리는 부분을 추가하여 은·엄폐 및 위장된 물체에 대한 분류 성능을 개선시켰다. 실험결과로 제안 방법을 적용하였을 때 은·엄폐 및 위장된 물체에 대해서 기존 방법에 비해 물체 분류 향상이 있음을 볼 수가 있었다.

Keywords

Acknowledgement

본 논문은 육군사관학교 화랑대연구소의 2024년도 연구활동비 지원을 받아 연구되었음.

References

  1. Xue, Yongchao, et al, "A new fracture prediction method by combining genetic algorithm with neural network in low-permeability reservoirs", Journal of Petroleum Science and Engineering 121, pp.159-166, 2014.
  2. 박상혁, 남궁승필. "미래 육군의 유.무인복합전투체계 발전방향에 관한 연구", The Journal of the Convergence on Culture Technology (JCCT), 9(2), pp.295-299, 2023.
  3. Terrance DeVreis, Graham W.Taylor, "Improved Regularization of Convolutional Neural Networks with Cutout".
  4. Almeida, Luis B. "Multilayer perceptrons", Handbook of Neural Computation. CRC Press, C1-2, 2020.
  5. Chen, Yinpeng, et al, "Dynamic relu", European Conference on Computer Vision. Cham: Springer International Publishing, 2020.
  6. Ahn, Hongjoon, et al, "Ss-il: Separated softmax for incremental learning", Proceedings of the IEEE/CVF International conference on computer vision. 2021.
  7. Li, Zewen, et al. "A survey of convolutional neural networks: analysis, applications, and prospects", IEEE transactions on neural networks and learning systems, 2021.
  8. Ullah, Asad, et al, "Comparative analysis of AlexNet, ResNet18 and SqueezeNet with diverse modification and arduous implementation.", Arabian journal for science and engineering, pp.1-21, 2022.
  9. Ho-Phuoc, Tien, "CIFAR10 to compare visual recognition performance between deep neural networks and humans." arXiv preprint arXiv: 1811.07270, 2018.
  10. Liu, Yanli, Yuan Gao, and Wotao Yin. "An improved analysis of stochastic gradient descent with momentum." Advances in Neural Information Processing Systems 33, pp.18261-18271, 2020.