한국어

연구분야

Object detection

n  Object Detection

KEYWORD: object detection, deep learning, pedestrian, vehicle, surveillance


 

객체 검출은 영상 내 여러 객체들의 위치를 특정하고, 위치가 특정된 객체가 어떤 부류에 속하는지 분류하는 작업이다. 객체 검출은 그 자체로 컴퓨터 비전 분야의 주된 연구 과제이다. 또한 지능형 감시 시스템, 자율주행 자동차, 스마트 팩토리 등의 4차 산업 혁명 핵심 분야의 기반이 되는 기술이기 때문에 본 연구실에서는 오랜기간 동안 활발한 연구를 진행하였다.

객체 검출 기술은 특징 추출과 검출 2단계로 이루어져 있다.

특징 추출 단계에서는 입력 영상으로부터 검출할 객체를 표현하는 적합한 특징들을 추출한다. 이전에는 주로 gradients, colors, motion 정보를 사용하며 다수의 특징 정보들을 통합하여 사용하였다. 

검출 단계에서는 추출된 특징 정보들을 이용하여 영상 내 목표 객체를 검출한다. 추출된 특징 정보들을 사용하여 영상 내 객체들의 위치를 특정하고, 그 부류를 분류하기 위해 이전에는 Support Vector Machine(SVM), Boosting, Genetic Algorithm 등의 고전적인 기계 학습 알고리즘을 이용하였다.

본 연구실에서는 이전에 saliency map을 이용한 물체 검출 방법을 제안한 바 있다. Saliency map은 영상 내 물체가 있을 확률을 나타내는 확률 지도의 의미를 갖는다. Saliency의 밀도가 가장 높은 영역은 곧 영상에 존재하는 물체 영역이라 할 수 있다. 제안한 방법은 영상에서 saliency map을 추출한 뒤 Gaussian mixture model과 expectation maximization을 이용해 saliency밀도가 높은 여러 개의 영역을 찾아 다중 객체 검출이 가능하도록 하였다. 

최근에는 심층 합성 곱 신경망 (deep convolutional neural network; DCNN)기반 객체 검출에 대한 많은 연구가 이루어져 객체 검출 성능이 크게 도약하였다. 본 연구실에서도 DCNN 기반 객체 검출에 대한 심도있는 연구를 진행하여 세계적인 객체 검출 챌린지에서 상위 랭크에 오르는 등 우수한 성과를 거두고있다.

최근에 본 연구실에서는 DCNN 기반 객체 검출기들이 많이 이용하는 특징 피라미드 (feature pyramid)의 문제점을 개선하기 위해 새로운 병렬 특징 피라미드 (parallel feature pyramid; PFP)방법을 제안하였다. 또한 PFP의 특징 맵들이 지니고 있는 다중 스케일 객체 정보를 조합하여 영상의 contextual 정보를 추출하는 기법을 제안하였다. 제안한 두 가지 기법을 적용한 새로운 DCNN 기반 객체 검출기는 기존의 DCNN 기반 객체 검출기들보다 우수한 성능으로 다중 객체 검출을 수행하였다.


Parallel Feature Pyramid Network for Object Detection [1]

fig1_PFPNet.png




Real-time Object Detection [1, 2, 3, 4]


 

Related Papers

[1] Seung-Wook Kim, Hyong-Keun Kook, Jee-Young Sun, Mun-Cheon Kang, and Sung-Jea Ko, "Parallel Feature Pyramid Network for Object Detection," ECCV 2018, Munich, Germany, Sep 2018. 

[2] Sung-Jin Cho, Seung-Wook Kim, Jee-Young Sun, Kwang-Hyun Uhm, and Sung-Jea Ko, “Bi-directional Feature Pyramid Network for Object Detection,” ITC-CSCC 2018. pp. 864-865. 

[3] Hyong-Keun Kook, Sang-Won Lee, Seung-Wook Kim, Young-Hyun Kim, and Sung-Jea Ko, "Object Detection with Multi-Scale Context Aggregation," in ICEIC 2018, Jan 2018. 

[4] Seung-Wook Kim, Hyong-Keun Kook, Young-Hyun Kim, Jee-Young Sun, and Sung-Jea Ko, "Single Shot Object Detection Using Spatial Pooling Pyramid," in ICEIC 2018, Jan 2018.

[5] Joon-Yeon Kim, Seung-Wook Kim, Hyo-Young Kim, Won-Jae Park, and S.-J. Ko, "Improved Pedestrian Detection Using Joint Aggregated Channel Features," ICEIC 2016, Danang, Vietnam, pp.92-93, Jan. 2016. 

[6] 최규형, 김영현, 고성제, "Saliency Map을 이용한 다중 물체 검출 알고리즘," 대한전자공학회 추계학술대회 논문집, 서울, 대한민국, pp. 448-450, NOV. 23, 2013.

[7] Won-Jae Park, Dae-Hwan Kim, Suryanto, Chun-Gi Lyuh, Tae Moon Roh, and Sung-Jea Ko, “Fast Human Detection Using Selective Block-based HOG-LBP," in Proc. IEEE Int. Conf. on Image Process., 2012, pp. 601-604.

[8] Lei Lei, Yi Hu, Dae-Hwan Kim, and Sung-Jea Ko, “Car-pose Detection Using Randomized WLD,” in Proc. IEEE Int. Congr. on Image and Signal Process., 2011, pp. 1520-1523.


Related Patent

객체 검출 장치 및 시스템 (OBJECT DETECTION DEVICE AND SYSTEM), patent no. 10-2010-0102547, Oct. 2010

보행자 검출기의 보행자 검출 방법 (PEDESTRIAN DETECTION METHOD OF PEDESTRIAN DETECTION DEVICE), patent no. 10-2011-0124209, Nov. 2011.



Current research topics:

- Multi-scale Object Detection

- Pedestrian and Vehicle detection

- Surveillance Detection