http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
합성곱 신경망 기반 의미론적 분할 기술을 이용한 국내 밭작물의 분리 기법 연구
김동욱 ( Dong-wook Kim ),장규진 ( Gyujin Jang ),김학진 ( Hak-jin Kim ) 한국농업기계학회 2022 한국농업기계학회 학술발표논문집 Vol.27 No.2
작물 배경 분리 알고리즘은 농작물 원격탐사에서 기본적이고 중요한 기술이다. 작물 성장 단계 예측, 작물 열 감지, 작물 밀도 추정, 잎 질병 감지 및 작물 바이오매스 모니터링과 같은 많은 연구는 작물 분리 알고리즘의 성능에 크게 의존한다. 현장 조건에서 무인항공기(UAV) 영상의 작물 배경 분리은 바람과 빛 조건 변화에 의한 영상의 기하학적 왜곡을 고려하여 더욱 정교해야 한다. 특히, 한국의 밭작물 재배 조건에서는 잡초 억제 및 한파 피해 방지를 위해 멀칭 비닐을 사용하기 때문에 영상 내 배경이 더욱 복잡하다. 우리의 선행 연구에서는 RGB 영상 기반의 식생지수와 CIE LAB 색공간을 사용하여 배추, 무, 양파, 그리고 마늘 등 한국의 주요 밭작물에 대한 작물 분리 알고리즘을 개발하였다. 그러나 양파, 마늘과 같이 잎이 길고 좁으며 생김새가 불규칙한 작물은 작물과 배경의 경계가 불명확하고 그림자에 의한 영향이 커서 작물 배경 분리 성능이 크게 제한되는 것으로 보고되었다. 본 연구에서는 UAV 영상에서 토양 및 배경으로부터 작물을 효과적으로 분리하기 위해 CNN 기반 의미론적 분할(Semantic segmentation) 알고리즘을 개발하였다. 먼저, 다중 분광 영상을 사용하여 작물 식별에 특화된 NDVI 영상을 생성하였다. NDVI 영상은 수동 임계값을 사용하여 작물과 배경으로 정교하게 이진화되었다. 이진 이미지(Binary image)는 의미론적 분할을 위한 학습 데이터를 구성하기 위해 작물과 배경의 위치를 결정하는 주석 파일(Label)로 사용되었다. 데이터 학습을 위해 생장 초기부터 후기 단계의 UAV RGB 및 NDVI 영상을 256 x 256 픽셀 크기로 잘라내어 총 5,189개의 크롭 영상을 얻었다. 의미론적 분할을 위한 학습 모델은 U-Net을 사용하였으며, 데이터의 70%는 training, 15%는 validation, 15%는 test에 사용되었다. 학습 진행시 모든 데이터는 0에서 1 사이의 값으로 정규화되었다. 데이터 학습에는 U-Net 구조가 적용되었고, Adam optimizer와 ReLU 활성화 함수를 사용하였으며, Softmax 함수를 사용해 픽셀별 분류를 수행하였다. 본 연구에서 개발한 U-Net 모델을 적용하였을 때 모든 테스트 데이터에 대하여 75%이상의 작물 분리 결과를 얻을 수 있었다. NDVI 기반 주석 파일의 정확도를 높인다면, 작물 분리 성능을 향상시킬 수 있을 것으로 기대된다.
이홍석(Hongsuk Yi),박은수(Eunsoo Park),김승일(Seungil Kim) 한국정보과학회 2018 정보과학회 컴퓨팅의 실제 논문지 Vol.24 No.12
자율주행은 도로에서 차선 변경, 추월, 양보 등을 할 때 정교한 상황판단 기술을 적용해야 하는 멀티-에이전트 문제이다. 자율주행차량들의 연속적인 행동을 제어하기 위하여 본 논문에서는 심화 결정론적 정책 경사 강화학습 알고리즘을 적용하였다. 이를 위하여 차선변경이 빈번히 발생하는 도로 환경을 시뮬레이터로 구현하였고, 강화학습에서 적용된 보상은 개별 차량이 목적지 차선에 도착하면 높은 보상을 받지만, 차량이 다른 목적지 차선에 도착할 경우나 차량끼리 충돌이 발생할 경우에는 벌칙을 받도록 설계하였다. 16개의 멀티-에이전트 차량을 학습한 결과 학습시간이 충분할수록 차선변경을 제어할 수 있음을 알았다. 하지만 심화 강화학습과 시뮬레이터 환경의 한계로, 학습이 진행되는 과정에서 보상 값이 급격히 감소하였고, 이로 인하여 차량 주행은 매우 불안정한 주행을 하였다. Autonomous driving is a multi-agent problem, wherein the host vehicle must adopt sophisticated human driving negotiation skills with other drivers on the road when overtaking, giving away. In this paper we apply deep reinforcement learning to the problem of forming long-term driving. More specifically, we use deep deterministic policy gradient algorithms, termed actor- critic algorithm. A reward function promoting longitudinal velocity, while penalizing transverse velocity and divergence from the track center, is used to train multi-agents. The actor-critic algorithm was trained and evaluated in a synthetic environment. Results reveal that our deep reinforcement learning approach can generalize and adapt well to weaving sections on real roads.
도심지 교통흐름 및 미세먼지 예측을 위한 딥러닝 LSTM 프레임워크
이홍석(Hongsuk Yi),부이 칵 남(Khac-Hoai Nam Bui),선충녕(Choong-Nyoung Seon) Korean Institute of Information Scientists and Eng 2020 정보과학회논문지 Vol.47 No.3
Accurate and timely forecasting is an essential step for the successful deployment of smart cities. With the rapid growth of traffic data collected daily, recent studies have focused on deep learning based on long-term short term memory (LSTM) for short-term traffic prediction, especially in urban areas. However, the short-term (five minutes) LSTM model is limited in the real-time nonlinear traffic flow prediction. Moreover, the fine dust prediction based on traffic data is also an emerging issue in this research area. Thus, this paper designs the multiple traffic data-based multi-input/output LSTM framework for supporting medium and long-term prediction. Additionally, a convolutional LSTM (ConvLSTM) model is developed for predicting fine dust flow based on traffic data. Regarding the experiment, we analyzed data from the Vehicle Detection System (VDS) located on major roads in Daejeon City for the evaluation. The experiment indicates promising results for the proposed approach.
Phase Separation and Pseudogap in Mixed Phase Manganites
이홍석(Hongsuk Yi),김용현(Yong-Hyun Kim),장기주(K. J. Chang) 한국자기학회 2001 한국자기학회 학술연구발표회 논문개요집 Vol.11 No.2
We calculate the magnetic field dependence of the density of states and the conductances in the phase separation region using Monte Carlo simulations and Green function techniques. The conductances increase greatly in the presence of external magnetic fields, indicating a metal-insulator transition. We also find that the pseudogap results a mixed phase of metallic and insulating states.