현실 세계 이미지의 미세 특징을 분류하기 위한 딥러닝 모델 방법론
Deep Learning Model Methodology for Classifying Fine Features of Real World Images
- 주제(키워드) deep learning , segmentation , defect detection , weakly supervised semantic segmentation
- 주제(DDC) 006.31
- 발행기관 아주대학교 일반대학원
- 지도교수 유종빈
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 인공지능학과
- 실제URI http://www.dcollection.net/handler/ajou/000000034670
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
오늘날 건설, 안전, 공장 등 실제 산업에서 딥러닝을 이용한 AI 모델의 사용은 다양하게 이루어 지고 있다. 하지만 실제 세계에서 딥러닝 모델 개발을 위한 데이터의 확보는 매우 어렵다. 또한 결함 탐지의 경우 제한된 영역에서 미세한 특징들로 인해 독특한 도전을 제시한다. 본 연구에서는 실제 세계에서 데이터의 확보 및 미세한 특징의 탐지에 대한 딥러닝 모델 개발 방법론을 제시한다. 이미지의 극히 작은 영역에서 결함을 정확하게 인식할 수 있는 coarse-to-fine networks와 segmentation 작업에서 픽셀 단위 라벨 데이터 확보를 위한 class activation map의 확장 방법인 attention module의 적용에 대해 소개 한다. coarse-to-fine networks는 두 개의 모델을 결합하는 앙상블 방법의 부스팅에서 영감을 받았다. coarse network에서는 결함 주변의 넓은 영역을 잘라내는 데이터 전처리 단계를 수행 한다. 이후 fine network에서 작은 결함을 정확하게 탐지한다. class activation map의 확장을 위한 attention module의 적용은 Affinity 계산과 class adjustment 과정을 거쳐서 CAM을 확장 시키는 작업을 수행 한다. MVTecAD, RDD2020, RT-필름 데이터, 포트홀 믹스와 같은 다양한 결함 데이터셋을 사용한 실험 결과에서 coarse-to-fine networks 효과를 검증 하였으며, attention module의 적용은 PascalVOC2012 데이터셋을 사용하여 CAM의 확장 성능을 관찰 하였다. 주제어 : Defect detection, deep learning, class activation map, segmentation, weakly supervised semantic segmentation
more목차
1. 서론 1
2. 관련 연구 4
2.1. 결함 감지 방법론 4
2.2. Object Detection 5
2.3. Segmentation 6
2.4. Class activation map 6
2.5. Poisson Image Editing 7
3. 방법론 8
3.1. Coarse-to-fine Networks 9
3.1.1. Coarse detection 10
3.1.2 Fine detection 10
3.2. Poisson Image Editing Augmentation 11
3.3. Attention momdule, class adjustment 13
4. 실험 및 결과 16
4.1. 데이터셋 16
4.1.1. MVTecAD 16
4.1.2. RDD2020 16
4.1.3. RT-film NDT 17
4.1.4. KITTI-OFRS 17
4.1.5. Pothole Mix 18
4.1.6. PascalVOC2012 18
4.2. 실험 세팅 18
4.3. 실험 결과 20
5. 결론 25
6. 참고문헌 26
