딥러닝 기반 이상탐지를 활용한 퍼스널 모빌리티 사용자 인식 연구 :A Study on Personal Mobility User Recognition Using Deep Learning based Anomaly Detection

노동현

추천

검색

자료유형: 학위논문

저자정보: 노동현 (전남대학교, 전남대학교 대학원)

지도교수: 이재열

발행연도: 2022

저작권: 전남대학교 논문은 저작권에 의해 보호받습니다.

이용수28

이 논문의 연구 히스토리 (2)

2022

이상 탐지 기반 퍼스널 모빌리티 사용자 인식 및 운전보조 응용

노동현 , 이재열 한국CDE학회 논문집 2022.09 학술저널

딥러닝 기반 이상탐지를 활용한 퍼스널 모빌리티 사용자 인식 연구

노동현 2022.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 도심 내 전동 킥보드와 같은 퍼스널 모빌리티 사용자가 증가하였고, 이에 따라 안전사고도 증가하고 있다. 따라서 퍼스널 모빌리티 사용자를 인식하여 도로 사용자(퍼스널 모빌리티 사용자, 자동차 운전자 등)들을 보호할 수 있는 연구가 진행되어야 한다. 기존의 객체 인식 기술을 이용하여 퍼스널 모빌리티를 찾는 방법이 있다. 하지만 다양한 형태의 퍼스널 모빌리티가 나올 때마다 많은 데이터를 수집, 라벨링 그리고 학습하는 것은 시간과 비용이 많이 든다. 따라서, 퍼스널 모빌리티의 종류에 따라 별도의 학습을 하지 않고 다양한 퍼스널 모빌리티를 인식할 수 있는 연구가 진행되어야 한다. 이를 해결할 방법으로는 정상적인 패턴을 학습하고, 정상 이외의 이상 패턴을 감지하는 이상 탐지(anomaly detection) 기반 방법이 있다. 한편, 기존 이상 탐지 관련 연구에서는 영상을 얻는 카메라가 고정되어 있고, 특정 환경에서만 이상 탐지가 가능했다. 하지만 운전자를 보조하기 위해서는 이동하는 자동차에 카메라가 위치하기 때문에 카메라가 움직이며 다양한 환경에서 이상 탐지가 가능해야 하므로 기존 연구의 한계를 보완해야 한다. 본 연구에서는 Human detection & PM cropping과 Anomaly detection 모듈로 구성된 딥러닝 기반 이상 탐지를 활용한 퍼스널 모빌리티 사용자 인식 방법을 제안한다. 제안하는 방법은 퍼스널 모빌리티에 대한 별도의 과정(수집, 라벨링, 학습) 없이 퍼스널 모빌리티 사용자를 인식한다는 장점이 있다. Human detection 모듈은 사람 영역 만을 찾는 과정으로, 추가 학습 없이 기존에 잘 학습된 객체 인식 기술을 이용하여 사람 영역을 쉽게 찾을 수 있다. PM cropping 모듈은 Human detection에서 얻은 영역을 제외한 배경 정보를 제거한다. 이를 통해 고정된 카메라에 의존적이거나 특정 환경에서만 가능했던 기존 한계를 벗어날 수 있다. 또한, 기존 네트워크 입력 크기는 너비와 높이가 같은데 너비보다 높이가 긴 사람 이미지를 입력 크기로 수정할 경우 사람 형태가 많이 틀어지는 문제점이 발생한다. 따라서 Anomaly detection 모듈은 사람 이미지를 위·아래 반으로 나누고 퍼스널 모빌리티 정보가 많이 포함될 수 있는 아래 이미지만 학습한다. 일반 보행자만를 정상 패턴으로 학습하였기 때문에 퍼스널 모빌리티 사용자를 포함하는 이미지를 비정상으로 효과적으로 판단할 수 있다. 이를 통해 동적 환경에서 다양한 퍼스널 모빌리티 사용자를 찾아 운전자에게 해당 정보를 제공함으로써 운전을 보조할 수 있다. 더욱이 AUC 96.43%로 기존 연구들의 방법을 능가한 state of the art(최첨단의) 성능을 달성하였다.

Recently, the number of users riding personal mobility like electric kickboards in the city has increased, which also increases critical safety accidents. Therefore, it is necessary to conduct a study to protect both personal mobility riders and car drivers by recognizing personal mobilities more effectively and accurately. Although existing supervised object recognition technologies can recognize personal mobilities, processing for data collecting, labeling, and training is time-consuming and expensive whenever various forms of personal mobilities emerge. An anomaly detection-based method is proposed to learn a normal pattern and detect an abnormal pattern without training. However, previous anomaly detection-based studies assumed that the camera location was fixed, and thus anomaly detection was only possible in a specific and static environment. On the other hand, the camera location changes continuously while driving so that a new approach is required to detect personal mobilities in dynamically changing driving environments. This study proposes a new approach to personal mobility user recognition while driving using deep learning-based anomaly detection. The proposed approach consists of Human detection & PM cropping and Anomaly detection modules. The Human detection module detects only the human region. Human detection can be easily conducted using a well-known object recognition method with pre-trained weights without additional learning. The PM cropping module removes background information except the human region obtained from human detection. Most existing deep learning networks required the same width and height. However, the height of a person image is longer than the width so that the PM cropping module divides the human image into upper and lower parts and learns only the lower part of the image that can contain most of the personal mobility information. Finally, the memory-based Anomaly detection module trains only normal pedestrians as normality so that images including personal mobility riders can be judged as abnormality. The proposed approach achieved the state-of-the-art performance that outperformed previous studies with 96.43% accuracy concerning the area under the ROC curve. It has the advantage of recognizing personal mobility riders without collection, labeling, and training for specific personal mobility, which can provide more accurate and effective driving assistance.

#도로 사용자(Road Users) #자율주행 자동차(Autonomous Vehicles) #운전자 보조(Driver Assistance) #퍼스널 모빌리티(Personal Mobility) #객체 인식(Object Recognition) #이상 탐지(Anomaly Detection)

목차
1. 서론 6
가. 연구배경 6
나. 연구 목적 및 방법 11
2. 관련 연구 14
가. 연속된 프레임 연구 14
나. 단일 프레임 연구 15
다. 객체 기반 연구 16
라. 다양한 형태의 개인 이동형 장치 17
3. 제안하는 접근법 19
가. Human detection & PM cropping 19
나. Memory-based Anomaly Detection 24
다. MNAD에서 수정 사항 27
4. 실험 29
가. 구현 세부 사항 29
1) 학습 데이터 세트 29
2) 테스트 데이터 세트 29
나. 학습 33
다. 결과 34
1) 최첨단의 연구와 비교 34
2) 정성적 결과 37
5. 결론 40
6. 참고문헌 41

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)