구형일 김영광 2023-02 32529 https://aurora.ajou.ac.kr/handle/2018.oak/24379 학위논문(석사)--아주대학교 일반대학원 :전자공학과,2023. 2 본 논문에서는 RGB 영상으로부터 군용표적의 거리를 추정하는 새로운 비전 기반 방법을 제시한다. 제시된 방법은 객체탐지 기술을 이용하여 군용표적의 경계상자 및 클래스를 획득하고 해당 정보를 이용하여 거리를 추정한다. 군용표적에 대한 훈련 데이터는 매우 제한적이기 때문에 군사용 시뮬레이터에서 생성한 가상이미지를 이용하여 혼합 학습을 수행하였다. YOLOv3 기반 기존 방법은 모바일 장치에서 느리게 동작하므로 최신 경량의 객체탐지기인 YOLOv7-tiny를 적용하였다. 경량화된 모델로 인해 원거리에 위치한 표적의 탐지 성능이 저하되어 조준점을 이용한 전처리, 후처리 방법으로 성능 저하를 보상하였다. 전처리로 조준점 주변의 영상을 확대 입력하고, 후처리로 조준점에 해당되는 경계상자를 선택하여 소형 표적의 탐지 성능을 향상시켰다. 실험 결과 제안한 방법의 거리오차는 평균 제곱근 오차(Root Mean Square Error)로 12.62m 이며 기존 방법 보다 원거리 탐지 성능 및 속도가 향상되었다. 특히 시뮬레이터에서 생성한 가상이미지로 학습한 모델은 군용차량의 AP(Average Precision)가 10% 증가하였다. 제안한 방법은 모바일 기기에 적용하여 향후 군용 작전에 활용 될 수 있다. 본 연구는 군용객체 탐지를 위한 가상이미지 데이터셋을 구축하고 활용성을 입증했다는데 의의가 있다. 향후 다양한 군용객체 탐지 모델 개발 시 제안한 데이터셋 구축 방법을 활용 할 수 있을 것이다. 그리고 원거리 표적 탐지를 위해 제시한 전처리, 후처리 방법은 일반적인 방법으로 다른 객체탐지 모델에도 적용되어 표적 탐지 성능을 향상 시킬 수 있다. 제1장 서론 1 1.1. 연구배경 1 1.2. 연구내용 2 1.3. 논문구성 3 제2장 관련 연구 4 2.1. YOLOv3 기반 장애물 거리 추정 4 2.2. YOLOv3-tiny 6 2.3. 가상/실제 이미지 혼합 학습 8 제3장 군용표적 거리 추정 10 3.1. 군용표적 학습/검증 데이터 구축 10 3.2. 소형 표적 거리 추정 모델 15 3.2.1. 전처리 : Scale Up 16 3.2.2. 객체탐지기 : YOLOv7-tiny-SiLU 17 3.2.3. 후처리 : Score Filter/POI Filter 18 제4장 실험 결과 20 4.1. 군용차량 가상/실제 이미지 혼합학습 결과 20 4.2. 군용표적 탐지 성능 평가 22 4.3. 거리추정 성능 평가 24 4.3.1. 거리추정 평가 데이터 구축 24 4.3.2. 거리추정모델 별 성능 비교 25 4.4. 전처리, 후처리 Ablation Study 27 4.4.1. 소형 표적 평가 데이터 구축 27 4.4.2. 객체탐지 기반 거리추정 평가 지표 29 4.4.3. 전처리, 후처리 Ablation Study 결과 31 제5장 결론 35 참고문헌 37 Abstract 40 kor The Graduate School, Ajou University 아주대학교 논문은 저작권에 의해 보호받습니다. 모바일 기반 객체탐지를 활용한 군용 표적 거리 추정 연구 A Study on the Distance Estimation of Military Targets Using Object Detection on Mobile Devices Thesis 아주대학교 대학원 일반대학원 전자공학과 2023-02 Master https://dcoll.ajou.ac.kr/dcollection/common/orgView/000000032529 객체탐지 거리추정 In this thesis, we present a new vision-based method that estimates the distance (depth) of military targets from RGB images. Our method is based on object detection in images and depth estimation using estimated object boxes and classes. Since training data for these applications are very limited, we adopt a mixed learning strategy that generates synthetic military target images with simulators. Conventional methods based on YOLOv3 is slow for mobile devices, we apply the recent lightweight object detector, YOLOv7-tiny. In order to compensate the performance drops caused by this tiny model, we have developed pre and post processing methods for distant targets. The preprocessor is to scale up the image around the aimpoint, and the postprocessor selects a bounding box containing the aimpoint. Experimental results have shown that the proposed method yields a distance error (root mean square errors) of 12.62m, which is improved results compared to previous work. Especially, employing simulator-generated images has increased an AP (detection performance) on military vehicles by 10%. The proposed method can be applied to mobile devices and used for future military operations. The dataset we have built through this work has proved its effectiveness and we can use this dataset or a similar approach for other military applications. Also, the pre/post processing methods are generic so that we can improve the performance of other object detection tasks.