2조ㅤㅤ - 편집 역사

Uoscivil202422: /* 개발 과제의 목표 및 내용 */

2024-12-20T10:34:10Z

‎개발 과제의 목표 및 내용

Uoscivil202422: /* 포스터 */

2024-12-11T11:52:46Z

‎포스터

Uoscivil202422: /* 구성원 및 추진체계 */

2024-12-11T11:49:24Z

‎구성원 및 추진체계

Uoscivil202422: /* SegFormer 모델 설명 */

2024-12-11T11:32:12Z

‎SegFormer 모델 설명

Uoscivil202422: /* 참고문헌 */

2024-12-11T11:28:33Z

‎참고문헌

2024년 12월 11일 (수) 08:55에 Uoscivil202422님의 편집

2024-12-11T08:55:04Z

Uoscivil202422: /* SegFormer 모델 구현 */

2024-12-11T08:49:02Z

‎SegFormer 모델 구현

Uoscivil202422: /* Depth-Anything-V2 모델 설명 */

2024-12-11T08:47:32Z

‎Depth-Anything-V2 모델 설명

2024년 12월 11일 (수) 08:44에 Uoscivil202422님의 편집

2024-12-11T08:44:13Z

2024년 12월 11일 (수) 08:39에 Uoscivil202422님의 편집

2024-12-11T08:39:50Z

@@ 32번째 줄: / 32번째 줄: @@
 최근 도로 관리 분야에서는 인력 부족으로 인해 노면 손상의 선제적 탐지와 보수가 미흡해지고 있다. 이는 싱크홀과 같은 대형 사고에 대한 대처가 늦어지는 원인이 되기도 한다. 전통적인 노면 손상 탐지 방법은 인력 의존도가 높아 시간이 많이 소요되고, 정확도가 낮으며, 지속적인 모니터링이 어렵다. 이를 해결하기 위해 한국도로공사에서는 딥러닝 기반의 손상 탐지 모델을 도입하였으나, 낮은 일반성으로 인해 기존 문제를 완전히 해결하지는 못하고 있는 실정이다.
 ====개발 과제의 목표 및 내용====
-. SegFormer 모델을 활용한 노면 손상 탐지 시스템 개발
+. SegFormer 모델을 활용한 노면 손상 탐지 시스템 개발<br>
 Transformer 기반의 SegFormer 모델을 통해 노면 손상을 정확하게 탐지하고 분류한다. 기존 CNN 기반 시스템보다 높은 성능 지표(정확도, 정밀도, 재현율 등)를 보이는 것을 목표로한다.
-. 포트홀의 상대적 깊이 측정을 위한 Depth-Anything-V2 모델 구현
+. 포트홀의 상대적 깊이 측정을 위한 Depth-Anything-V2 모델 구현<br>
 포트홀의 깊이 정보를 추정하여 손상의 심각도를 평가한다. 깊이 정보와 손상 영역의 크기를 종합하여 보수 우선순위를 선정한다.
-. 노면 손상 탐지 및 측정 자동화 프로그램 개발
+. 노면 손상 탐지 및 측정 자동화 프로그램 개발<br>
 도로 촬영부터 손상 분류, 포트홀 이미지 추출, 깊이 추정, 손상 정도 알림까지의 전체 과정을 자동화한다.
 ===관련 기술의 현황===
 ====관련 기술의 현황 및 분석(State of art)====

@@ 261번째 줄: / 261번째 줄: @@
 ====포스터====
-[[파일:2_poster.jpg|800픽셀]]
+[[파일:2_poster_.jpg|800픽셀]]
 ==참고문헌==

@@ 77번째 줄: / 77번째 줄: @@
 ===기술개발 일정 및 추진체계===
 ====구성원 및 추진체계====
-[[파일:추진체계.jpg|700픽셀]]
+[[파일:추진체계+일정.jpg|700픽셀]]
 ==설계==

@@ 90번째 줄: / 90번째 줄: @@
 [[파일:overlap_patch_merging.jpg|500픽셀]]
-기존 Self-Attention 메커니즘은 해상도가 커질수록 연산 복잡도가 증가하는 단점이 있다. 이를 해결하기 위해 SegFormer는 Efficient Self-Attention 방식을 도입하여, 해상도를 줄이는 비율 을 적용한다. 이를 통해 입력 패치의 차원 N*C를 N/R*C로 변환하여 연산 효율을 높인다.
+기존 Self-Attention 메커니즘은 해상도가 커질수록 연산 복잡도가 증가하는 단점이 있다. 이를 해결하기 위해 SegFormer는 Efficient Self-Attention 방식을 도입하여, 해상도를 줄이는 비율 R을 적용한다. 이를 통해 입력 패치의 차원 N*C를 N/R*C로 변환하여 연산 효율을 높인다.
 [[파일:segformer2.jpg]]
@@ 98번째 줄: / 98번째 줄: @@
 결과적으로, 각 Transformer 블록은 이러한 과정을 통해 다른 차원의 특징 맵을 생성하며, 생성된 특징 맵은 최종적으로 MLP Layer로 전달된다.
-SegFormer의 디코더는 MLP 레이어만으로 구성된다. 디코더는 인코더에서 출력된 다중 계층 특징(Multi-Level Features)을 C 차원으로 투영하는 데 사용된다. 이후 모든 출력을  차원으로 업샘플링(up-sampling)한다. 업샘플링된 각 출력 값은 4C 차원의 모든 계층적 표현을 C 차원으로 융합한다. 마지막으로, 데이터를 클래스 개수만큼 투영하여 세그멘테이션 마스크를 예측한다.
+SegFormer의 디코더는 MLP 레이어만으로 구성된다. 디코더는 인코더에서 출력된 다중 계층 특징(Multi-Level Features)을 C 차원으로 투영하는 데 사용된다. 이후 모든 출력을 H/4*W/4 차원으로 업샘플링(up-sampling)한다. 업샘플링된 각 출력 값은 4C 차원의 모든 계층적 표현을 C 차원으로 융합한다. 마지막으로, 데이터를 클래스 개수만큼 투영하여 세그멘테이션 마스크를 예측한다.
 ====Depth-Anything-V2 모델 설명====

@@ 264번째 줄: / 264번째 줄: @@
 ==참고문헌==
-.“12억 썼는데…도로 파임 AI 탐지시스템 오작동률85%” 연합뉴스TV. 2024. 10. 27. https://www.youtube.com/watch?v=YLLhTQVOEHw<br>
+. “12억 썼는데…도로 파임 AI 탐지시스템 오작동률85%” 연합뉴스TV. 2024. 10. 27. https://www.youtube.com/watch?v=YLLhTQVOEHw<br>
 . 이재관 외, 딥러닝 기반 도로 네트워크 추출 방법론 비교, 2024.<br>
-. 한국도로공사, 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법, 2019.<br>
+. 국민권익위원회, 국민이 안심하는 생활안전 확보를 위한 「포트홀(도로파임)」관련 민원 분석, 2024.<br>
-. Enze Xie et al, SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers, 2021.<br>
+. “[2023 국감] 고속도로 포트홀 5년간 2만1115건, 배상금액만 91억 원 달해” 국제뉴스. 2023.10.12. https://www.gukjenews.com/news/articleView.html?idxno=2829006#rs<br>
-. Lihe et al, Depth Anything V2, 2024.<br>
+. 한국도로공사, 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법, 2019.<br>
-. Lin et al, Focal Loss for Dense Object Detection, 2017.
+. Enze Xie et al, SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers, 2021.<br>

← 이전 판		2024년 12월 11일 (수) 08:55 판
262번째 줄:		262번째 줄:
	====포스터====		====포스터====
	[[파일:2_poster.jpg\|800픽셀]]		[[파일:2_poster.jpg\|800픽셀]]
		+
		+	==참고문헌==
		+	1.“12억 썼는데…도로 파임 AI 탐지시스템 오작동률85%” 연합뉴스TV. 2024. 10. 27. https://www.youtube.com/watch?v=YLLhTQVOEHw<br>
		+
		+	2. 이재관 외, 딥러닝 기반 도로 네트워크 추출 방법론 비교, 2024.<br>
		+
		+	3. 한국도로공사, 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법, 2019.<br>
		+
		+	4. Enze Xie et al, SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers, 2021.<br>
		+
		+	5. Lihe et al, Depth Anything V2, 2024.<br>
		+
		+	6. Lin et al, Focal Loss for Dense Object Detection, 2017.

@@ 125번째 줄: / 125번째 줄: @@
 * 데이터 증강 기법의 필요성
-실제 도로 환경은 조명 조건, 날씨, 카메라 각도, 노면 재질 등 다양한 요인에 의해 이미지의 특성이 달라진다. 노면 손상 탐지 모델의 일반화 능력을 향상하기 위해서는 다양한 환경에서의 데이터를 학습하는 것이 중요하다. 주어진 데이터는 제한적이므로 다양한 ‘데이터 증강 기법’을 활용한다. 데이터 증강은 도로 환경의 변화를 모사하여 모델의 실용성을 높이고 다양한 상황을 인공적으로 만들어 모델이 예측하지 못한 상황에서도 안정적인 성능을 발휘하도록 도와준다. 또한, 데이터 다양성을 높여 모델이 학습 데이터에 과적합되는 것을 방지할 수 있다.
+실제 도로 환경은 조명 조건, 날씨, 카메라 각도, 노면 재질 등 다양한 요인에 의해 이미지의 특성이 달라진다. 노면 손상 탐지 모델의 일반화 능력을 향상하기 위해서는 다양한 환경에서의 데이터를 학습하는 것이 중요하다. 주어진 데이터는 제한적이므로 다양한 데이터 증강 기법을 활용한다. 데이터 증강은 도로 환경의 변화를 모사하여 모델의 실용성을 높이고 다양한 상황을 인공적으로 만들어 모델이 예측하지 못한 상황에서도 안정적인 성능을 발휘하도록 도와준다. 또한, 데이터 다양성을 높여 모델이 학습 데이터에 과적합되는 것을 방지할 수 있다.
 * 적용한 데이터 증강 기법

@@ 104번째 줄: / 104번째 줄: @@
 Depth Anything V2의 구조는 크게 교사 모델(Teacher Model)과 학생 모델(Student Model)로 나뉜다. 교사 모델은 Vision Transformer(ViT) 기반의 DINOv2를 채택하였다. 기존 Depth Anything V1에서 사용된 실제 이미지 레이블 데이터의 노이즈 문제(투명 물체나 반사 표면의 잘못된 깊이 값)를 해결하기 위해 Depth Anything V2에서는 이를 Hypersim, Virtual KITTI 2 같은 정확한 합성 이미지 데이터셋으로 대체하여 교사 모델을 학습하였다. 그리고 교사 모델이 Google Landmarks, LSUN, Open Images 등 대규모 비라벨 실제 이미지에 대해 가짜 라벨을 생성하는 방법을 통해 합성 데이터와 실제 데이터 간의 분포 차이를 줄여 모델의 일반화 성능 향상을 도모하였다. 이렇게 교사 모델의 정밀한 예측을 통해 생성한 가짜 라벨 데이터로 학생 모델을 학습시켜, 학생 모델이 교사 모델의 예측을 모방하도록 하였다.
 Depth Anything V2는 의자 다리 같은 얇은 물체나 작은 구멍까지 정확하게 깊이를 예측할 수 있으며 유리, 거울과 같은 투명하거나 반사되는 표면에서 높은 성능을 보인다. 또한 복잡한 레이아웃, 다양한 조명 조건, 동적 객체 등이 포함된 복잡한 장면에서도 강건성(Robustness)을 보여준다. 그리고 실내외 등 다양한 환경에서 높은 일반화 성능을 보이며 Zero-shot 설정에서도 기존 모델을 능가한다.
 ====전체 시스템 개요====

← 이전 판		2024년 12월 11일 (수) 08:44 판
261번째 줄:		261번째 줄:

	====포스터====		====포스터====
−	내용	+	[[파일:2_poster.jpg\|800픽셀]]
−
−	~~===관련사업비 내역서===~~
−	내용
−
−	~~===완료작품의 평가===~~
−	내용
−
−	~~===향후계획===~~
−	내용
−
−	~~===특허 출원 내용===~~
−	내용

@@ 246번째 줄: / 246번째 줄: @@
 * 면적순
-[[파일:area.jpg|300픽셀]]
+[[파일:area.jpg|500픽셀]]
-[[파일:area2.jpg|300픽셀]]
+[[파일:area2.jpg|500픽셀]]
-[[파일:area3.jpg|300픽셀]]
+[[파일:area3.jpg|500픽셀]]
 ====포스터====