• 한국정보통신학회논문지
• /
• 제26권3호
• /
• pp.355-366
• /
• 2022

본 논문은 프로그램 가능한 구조를 사용하여 재구성이 가능하고 저 전력 초소형의 장점을 모두 제공하는 인공지능 가속기를 위한 마이크로코드 기반 뉴럴 네트워크 가속기 컨트롤러를 제안한다. 대상 가속기가 다양한 뉴럴 네트워크 모델을 지원하도록 마이크로코드 컴파일러를 통해 뉴럴 네트워크 모델을 마이크로코드로 변환하여 가속기의 메모리 접근과 모든 연산기를 제어할 수 있다. 200MHz의 System Clock을 기준으로 설계하였으며, YOLOv2-Tiny CNN model을 구동하도록 컨트롤러를 구현하였다. 객체 감지를 위한 VOC 2012 dataset 추론용 컨트롤러를 구현할 경우 137.9ms/image, mask 착용 여부 감지를 위한 mask detection dataset 추론용으로 구현할 경우 99.5ms/image의 detection speed를 달성하였다. 제안된 컨트롤러를 탑재한 가속기를 실리콘칩으로 구현할 때 게이트 카운트는 618,388이며, 이는 CPU core로서 RISC-V (U5-MC2)를 탑재할 경우 대비 약 65.5% 감소한 칩 면적을 제공한다.

• 문화기술의 융합
• /
• 제8권5호
• /
• pp.735-740
• /
• 2022

건설업은 사망자 수가 가장 많이 발생하는 산업이며, 다양한 제도 개선에도 사망자는 크게 줄어들지 않고 있다. 이에 따라, CCTV 영상에 인공지능(AI)을 적용한 실시간 안전관리가 부각되고 있다. 건설현장의 영상에 대한 AI를 적용한 근로자 탐지연구가 진행되고 있지만, 건설업의 특성상 복잡한 배경 등의 문제로 인해 성능 발현에 제한이 있다. 본 연구에서는 근로자의 탐지 및 자세 추정에 대한 성능 향상을 위해 YOLO 모델과 OpenPose 모델을 융합하여, 복잡 다양한 조건에서의 근로자에 대한 탐지 성능을 향상시켰다. 이는 향후 근로자의 불안전안 행동 및 건강관리 측면에서 활용도가 높을 것으로 예상된다.

• 방송공학회논문지
• /
• 제28권1호
• /
• pp.124-131
• /
• 2023

원거리에서 특정 영역의 물리적 특성 또는 상황에 대한 정보를 얻기 위해 원격 탐사 영상에 객체 검출 기법이 연구되고 있다. 이때 저해상도인 원격 영상은 정보의 손실로 인해 객체 검출의 정확도가 떨어지는 문제가 발생한다. 본 논문에서는 이러한 문제점을 해결하기 위해 초고해상도 기법과 객체 검출 방법을 하나의 네트워크로 구성하여 원격 영상에서 객체 검출의 성능을 높이는 방법을 제안한다. 제안한 방법은 심층 잔차 밀집 기반의 네트워크를 구성하여 저해상도 영상에서 객체의 특징을 복원하고자 하였다. 추가적으로 이를 객체 검출 단계인 YOLOv5와 하나의 네트워크로 구성함으로써 객체 검출의 성능을 향상시키고자 하였다. 제안한 방법은 저해상도 영상을 위해 VEDAI 데이터를 이용하였으며 차량 검출에서 VISIBLE 기준으로 mAP@0.5에 대해 81.38%까지 향상됨을 확인하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 춘계학술대회
• /
• pp.469-472
• /
• 2022

최근 지능형 교통 시스템의 발전에 따라 딥러닝을 기술을 적용한 다양한 기술들이 활용되고 있다. 도로를 주행하는 불법 차량 및 범죄 차량 단속을 위해서는 차량 종류를 정확히 판별할 수 있는 차종 분류 시스템이 필요하다. 본 연구는 YOLO(You Only Look Once)를 이용하여 이동식 차량 단속 시스템에 최적화된 차종 분류 시스템을 제안한다. 제안 시스템은 차량을 승용차, 경·소·중형 승합차, 대형 승합차, 화물차, 이륜차, 특수차, 건설기계, 7가지 클래스로 구분하여 탐지하기 위해 단일 단계 방식의 객체 탐지 알고리즘 YOLOv5를 사용한다. 인공지능 기술개발을 위하여 한국과학기술연구원에서 구축한 약 5천 장의 국내 차량 이미지 데이터를 학습 데이터로 사용하였다. 한 대의 카메라로 정면과 측면 각도를 모두 인식할 수 있는 차종 분류 알고리즘을 적용한 지정차로제 단속 시스템을 제안하고자 한다.

• 한국컴퓨터정보학회논문지
• /
• 제26권5호
• /
• pp.1-8
• /
• 2021

코로나바이러스-19(COVID-19)의 대유행에 따라 전 세계 수많은 확진자가 발생하고 있으며 국민을 불안에 떨게 하고 있다. 바이러스 감염 확산을 방지하기 위해서는 마스크를 제대로 착용하는 것이 필수적이지만 몇몇 사람들은 마스크를 쓰지 않거나 제대로 착용하지 않고 있다. 본 논문에서는 영상 이미지에서의 효율적인 마스크 감지 시스템을 제안한다. 제안 방법은 우선 입력 이미지의 모든 얼굴의 영역을 YOLOv5를 사용하여 감지하고 감지된 얼굴의 수에 따라 3가지의 장면 복잡도(Simple, Moderate, Complex) 중 하나로 분류한다. 그 후 장면 복잡도에 따라 3가지 ResNet(ResNet-18, 50, 101) 중 하나를 기반으로 한 Faster-RCNN을 사용하여 얼굴 부위를 감지하고 마스크를 제대로 착용하였는지 식별한다. 공개 마스크 감지 데이터셋을 활용하여 실험한 결과 제안한 장면 복잡도 기반 적응적인 모델이 다른 모델에 비해 가장 성능이 뛰어남을 확인하였다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2022년도 추계학술대회
• /
• pp.239-241
• /
• 2022

현재 대한민국에서는 교통 혼잡을 해결하기 위해 다인승 전용차로 (HOV, High Occupancy Vehicle Lanes)와 지정차로제를 시행하고 있다. 현행의 교통단속 시스템은 단속 지역 구역에 인원이 필수로 배정되며 무인 단속에 어려움이 있다. 또한, 고정식 교통단속시스템은 속도 위반 단속은 가능하나 운전자가 네이게이션을 통해 단속을 회피할 수 있다. 이러한 문제점을 해결하기 위해 딥러닝 객체 인식 모델인 YOLO를 통한 교통 통합 단속 시스템이 필요하다. 본 연구에서는 멀티스레딩 기술 기반의 병렬처리 차량번호 인식 기술을 적용하여 불시 단속이 가능한 이동식 교통 통합 관리시스템을 제안한다. Yolo5를 이용한 차선 인식, 차량탑승인원 판별, 차량 번호 인식 등의 알고리즘을 통합 모델을 설계하고 이를 적용한 통합시스템을 제시하였다.

• 정보보호학회논문지
• /
• 제33권6호
• /
• pp.907-917
• /
• 2023

최근 자율주행 자동차는 운전자 지원 시스템에 딥러닝 기술을 적용하여 운전자에게 편의성을 제공하고 있지만, 딥러닝 기술이 적대적 회피 공격(adversarial evasion attacks)에 취약함이 밝혀졌다. 본 논문에서는 객체 인식 알고리즘인 YOLOv5(You Only Look Once)를 대상으로 MI-FGSM (Momentum Iterative-Fast Gradient Sign Method)를 포함한 5가지 적대적 회피 공격을 수행하였으며 객체 탐지 성능을 mAP(mean Average Precision)로 측정하였다. 특히, 본 논문에서는 모폴로지 연산을 적용하여 적대적 공격으로부터 노이즈를 제거하고 경계선을 추출하여 YOLO가 객체를 정상적 탐지할 수 있는 방안을 제안하고 이를 실험을 통해 그 성능을 분석하였다. 실험 결과, 적대적 공격을 수행했을 때 YOLO의 mAP가 최소 7.9%까지 떨어져 YOLO가 객체를 정확하게 탐지하지 못하는 것을 87.3%까지 성능을 개선하였다.

• International Journal of Computer Science & Network Security
• /
• 제24권5호
• /
• pp.11-20
• /
• 2024

While artificial neural networks are adept at identifying patterns, they can struggle to distinguish between actual correlations and false associations between extracted facial features and criminal behavior within the training data. These associations may not indicate causal connections. Socioeconomic factors, ethnicity, or even chance occurrences in the data can influence both facial features and criminal activity. Consequently, the artificial neural network might identify linked features without understanding the underlying cause. This raises concerns about incorrect linkages and potential misclassification of individuals based on features unrelated to criminal tendencies. To address this challenge, we propose a novel region-based training approach for artificial neural networks focused on criminal propensity detection. Instead of solely relying on overall facial recognition, the network would systematically analyze each facial feature in isolation. This fine-grained approach would enable the network to identify which specific features hold the strongest correlations with criminal activity within the training data. By focusing on these key features, the network can be optimized for more accurate and reliable criminal propensity prediction. This study examines the effectiveness of various algorithms for criminal propensity classification. We evaluate YOLO versions YOLOv5 and YOLOv8 alongside VGG-16. Our findings indicate that YOLO achieved the highest accuracy 0.93 in classifying criminal and non-criminal facial features. While these results are promising, we acknowledge the need for further research on bias and misclassification in criminal justice applications

• 방송공학회논문지
• /
• 제24권4호
• /
• pp.580-591
• /
• 2019

본 논문의 목적은 자율주행을 위하여 카메라와 라이다를 이용하여 객체를 검출하고 각 센서에서 검출된 객체를 late fusion 방식으로 융합을 하여 성능을 향상하는 것을 목적으로 한다. 카메라를 이용한 객체 검출은 one-stage 검출인 YOLOv3을, 검출된 객체의 거리 추정은 perspective matrix를, 라이다의 객체 검출은 K-means 군집화 기반 객체 검출을 각각 이용하였다. 카메라와 라이다 calibration은 PnP-RANSAC을 이용하여 회전, 변환 행렬을 구하였다. 센서 융합은 라이다에서 검출된 객체를 이미지 평면에 옮겨 Intersection over union(IoU)을 계산하고, 카메라에서 검출된 객체를 월드 좌표에 옮겨 거리, 각도를 계산하여 IoU, 거리 그리고 각도 세 가지 속성을 로지스틱 회귀를 이용하여 융합을 하였다. 융합을 통하여 각 센서에서 검출되지 않은 객체를 보완해주어 성능이 약 5% 증가하였다.

• 대한건축학회논문집:계획계
• /
• 제36권5호
• /
• pp.93-103
• /
• 2020

The purpose of this study is to suggest a supervisory way to improve the efficiency of Building Supervision using Deep Learning, especially object detecting technology. Since the establishment of the Building Supervision system in Korea, it has been changed and improved many times systematically, but it is hard to find any improvement in terms of implementing methods. Therefore, the Supervision is until now the area where a lot of money, time and manpower are needed. This might give a room for superficial, formal and documentary supervision that could lead to faulty construction. This study suggests a way of Building Supervision which is more automatic and effective so that it can lead to save the time, effort and money. And the way is to detect the hoop-bars of a column and count the number of it automatically. For this study, we made a hoop-bar detecting network by transfor learnning of YOLOv2 network through MATLAB. Among many training experiments, relatively most accurate network was selected, and this network was able to detect rebar placement in building site pictures with the accuracy of 92.85% for similar images to those used in trainings, and 90% or more for new images at specific distance. It was also able to count the number of hoop-bars. The result showed the possibility of automatic Building Supervision and its efficiency improvement.