Evaluation of Lens Distortion Correction on Deep Learning-Based Vehicle Detection from UAV Imagery : Major of Spatial Information Engineering

국문 초록 (Abstract)

무인 항공기(UAV)는 고해상도 영상을 제공하여 상세한 물체 탐지가 가능하게 한다. 그러나 광각 렌즈를 장착한 대부분의 UAV는 이미지 경계 부근에서 방사형 및 접선 왜곡을 보인다. 이러한 왜곡은 물체의 기하학적 구조를 변형시키고 딥러닝 기반 탐지 알고리즘에 부정적인 영향을 미칠 수 있다. 따 라서 본 논문은 딥러닝 기반 알고리즘에 렌즈 보정을 적용하는 것이 적절한지 평가하는 것을 목표로 한다. 이를 해결하기 위해 UAV 영상에서 차량 탐지에 대한 렌즈 보정의 영향을 체계적으로 평가하였 다. 세 가지 유형의 데이터셋을 준비하였다: 원본 이미지(OI), 수정된 원본 이미지(MOI), 렌즈 보정 이미지(LCI). 2단계 객체 탐지 모델인 Faster R-CNN과 Cascade R-CNN을 ResNet-50(R50), ResNet-101(R101), ResNeXt-101(X101) 세 가지 백본으로 테스트하여 총 18개의 실험 조건을 생성하였 다. 결과에 따르면, Cascade R-CNN은 수렴 시 AP@[0.50:0.95] (전체) 및 AR@[0.50:0.95] (전체) 모두 에서 Faster R-CNN보다 우수한 성능을 보였으며, Faster R-CNN의 0.620 및 0.705에 비해 0.650 및 0.728을 달성했다. 백본 네트워크 측면에서 R50과 R101은 X101보다 높은 정확도를 달성했다. AP와 AR 측면에서 R50은 R101보다 1.008~1.017배, X101보다 1.031~1.074배 높았다. 이미지 데이터셋 전반에 걸쳐 OI와 MOI는 LCI보다 더 정확하고 안정적인 결과를 산출했다. 라플라시안 분산, 테넨그라드, 브 레너, 수정 차이 합계 등 화질 지표 분석 결과 LCI는 흐림 현상이 증가하여 탐지 정확도 저하를 초래 한 것으로 확인되었다. 이러한 결과는 렌즈 보정이 반드시 무인항공기 기반 탐지 성능을 향상시키지 않으며, 경계부 처리 이미지 또는 원본 이미지에 적절한 백본 탐지기를 조합할 때 무인항공기 원격 감지 응용 분야에서 보다 신뢰할 수 있는 차량 탐지 성능을 제공함을 시사한다.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Materials and Method 4
• 2.1 Study Area and Data Collection 4
• 2.2. Dataset Construction 10
• 2.3 Lens Distortion Correction 16
• 2.4 Deep learning-based AI object detection models 19
• 2.5 Deep learning Result and Image Quality Evaluation Metrics 22
• 2.6 Experiment Setup 25
• 3. Results and discussion 27
• 3.1. Lens distortion result using LCI 27
• 3.2 Accuracy Comparison of Faster R-CNN and Cascade R-CNN under Lens Distortion (OI, MOI, LCI) 39
• 3.3 Accuracy Comparison of Backbone (R50, R101, X101) type under Lens Distortion (OI, MOI, LCI) 47
• 3.4 Effects of Lens Correction 54
• 4. Discussion 62
• 5. Conclusions 66
• 6. References 68