디지털 라이브러리[ 검색결과 ]
이미지 초해상화 기법을 활용한 작물 병해충 진단 모델의 재현율 향상
http://doi.org/10.5626/JOK.2024.51.2.125
작물의 병해충은 수확량에 큰 영향을 미치기 때문에 병해충의 조기 식별과 진단은 매우 중요하다. 이를 위해, 인공지능을 활용하여 작물 병해충을 진단해주는 모델들을 개발하고 고도화하는 연구가 활발하게 진행되고 있다. 하지만, 검증 시 좋은 성능을 보였던 모델이라도 운용 시 입력된 이미지의 해상도가 낮으면 성능이 낮아지는 문제가 있다. 낮은 해상도로 인해 병해충이 진단되지 않아 방제가 늦어진다면 작물 전체가 병해충에 영향을 받아 수확량이 감소하는 문제가 발생한다. 본 연구는 이미지의 해상도를 높이는 초해상화 기술을 활용하여 모델의 재현율 향상이 목적이다. 초해상화 기법은 바이큐빅, SRCNN, SRGAN을 사용하였다. 64×64, 128×128, 192×192 크기의 테스트 이미지를 각각 4배의 크기로 초해상화 한 후, 직접 학습시킨 YOLOv5모델로 병해충 진단 테스트를 진행하였다. 그 결과 SRGAN 34%, SRCNN 30%, 바이큐빅 19%의 재현율 향상을 보였다.
데이터셋 품질 개선을 위한 Self-Supervised Vision Transformer 기반의 객체 Pseudo-label 생성 기법
http://doi.org/10.5626/JOK.2024.51.1.49
이미지 분할은 이미지에 존재하는 객체를 객체 상자로 지역화하고 픽셀을 적절한 범주로 분류하는 컴퓨터 비전의 중요한 분야 중 하나이다. Instance segmentation 모델의 성능을 위해서는 다양한 크기의 객체에 대한 라벨을 가진 데이터셋이 요구된다. 하지만 최근 공개된 ‘Small Object Detection을 위한 이미지’ 데이터셋은 크기가 크고 일반적인 객체에 대한 라벨이 부족하여 잠재적 성능 저하를 유발한다. 본 논문에서는 위와 같은 문제를 해결하기 위해 비지도 학습 기반의 pseudo-labeling 방법론을 응용하여 일반적인 객체에 대한 pseudo-label을 생성함으로써 데이터셋의 품질을 개선한다. 실험결과, 기존 데이터셋 대비 작은 객체 분할 성능이 (+2.54 AP) 증가하였다. 추가적으로 적은 양의 데이터를 이용한 경우에서도 성능의 증가도 확인할 수 있었다. 이에 따라 제안된 방법론을 통해 효과적으로 데이터셋의 품질이 개선된 것을 확인할 수 있었다.
