YOLO V5의 생성 데이터를 이용한 병렬 U-Net 기반 의미론적 분할 방법 = Parallel U-Net Based Semantic Segmentation Method Using Generated Data from YOLO V5

국문 초록 (Abstract)

본 연구에서는 객체 인식 모델인 YOLO(You Only Look Once) V5로 바운딩 박스 이미지를 생성하고 이 이미지를 병렬 U-Net에 학습 데이터로 사용하여 의미론적 분할을 수행하는 시스템을 제안 및 구현한다. YOLO V5 학습에는 yolov5s 모델을 사용하고 차량 및 보행자를 바운딩 박스의 형태로 검출하여 이미지를 생성한다. 이렇게생성된 이미지 데이터는 병렬 U-Net의 학습 데이터로 사용한다. 제안한 병렬 U-Net은 원본 이미지와 YOLO V5 에서 출력한 이미지를 병렬 형태로 입력받아 학습하여 의미론적 분할을 수행한다. 제안한 시스템의 검출 성능을평가하기 위해 기존의 U-Net 및 U-Net3+의 의미론적 분할 결과와 비교하였다. YOLO V5의 학습 데이터로는BDD100K(Berkeley Deep Drive 100K)를 사용하였으며 실험 결과, 병렬 U-Net이 기존의 단일 U-Net보다0.1~0.2, U-Net3+보다 0.03~0.15 향상된 mIoU(Mean Intersection over Union)를 얻을 수 있었다.

참고문헌 (Reference)

1 조국한 ; 송영준, "교통사고 시나리오 분류를 위한 이미지 데이터 생성 시스템" 한국정보기술학회 20 (20): 31-38, 2022

2 G. Jocher, "yolov5:v.70–YOLOv5 SOTA Realtime semantic segmentation(2022)"

3 G. Jocher, Nioolek, "yolov5 v7.0 by ultralytics"

4 J. Redmon, "You only look once: Unified, real-time object detection" 779-788, 2016

5 H. Huang, "Unet 3+: A full-scale connected unet for medical image segmentation" 2020

6 O. Ronneberger, "U-net: Convolutional networks for biomedical image segmentation" 234-241, 2015

7 Xuyang Song, "Multi-objective real-time vehicle detection method based on yolov5" IEEE 142-145, 2021

8 K. He, "Mask R-CNN" 2961-2969, 2017

9 Yuen Peng Loh, "Getting to know low-light images with the Exclusively Dark dataset" Elsevier BV 178 : 30-42, 2019

10 Jonathan Long, "Fully convolutional networks for semantic segmentation" IEEE 3431-3440, 2015

11 Jerry Gao, "Detecting and learning city intersection traffic contexts for autonomous vehicles" IOS Press 1 (1): 213-239, 2022

12 Iftikhar Ahmad, "Deep Learning Based Detector YOLOv5 for Identifying Insect Pests" MDPI AG 12 (12): 10167-, 2022

13 Gui-Song Xia, "DOTA: A Large-Scale Dataset for Object Detection in Aerial Images" IEEE 3974-3893, 2018

14 BDD100K, "BDD100k Label format"