컨볼루션 신경망을 이용한 사이드 스캔 소나 이미지 인식 및 수중물체 탐지에 관한 연구

Abstract

In this paper, we have studied how to search an underwater object by learning the image generated by the side scan sonar in the convolution neural network. The side scan sonar is widely utilized in underwater object detection, and the convolution neural network is also widely utilized in image recognition. The image data of the side scan sonar used in the experiment is the public data of NSWC(Naval Surface Warfare Center) and consists of four kinds of synthetic underwater objects. And the optical image data consists of four kinds of self-recorded objects. Convolutional neural network algorithm is based on Faster R-CNN learning based on region of interest and the details of the neural network are self-organized to fit the data we have. In the experimental results, the sonar image data and the optical image data were learned by convolution neural networks, respectively, and the results were compared with the precision-recall curve. And we investigated the applicability of underwater object detection in convolution neural networks by examining the effect of change of region of interest assigned to sonar image data on detection performance. In conclusion, this paper concludes the paper by diagnosing the development direction of this research, while referring to the importance of the paper in terms of artificial intelligence development.; 본 논문은 사이드 스캔 소나로 생성한 이미지를 컨볼루션 신경망으로 학습하여 수중물체를 탐지하는 방법을 다루었다. 사이드 스캔 소나는 수중물체 탐지분야에서, 컨볼루션 신경망은 이미지 인식분야에서 활용도가 높다. 컨볼루션 신경망 학습 및 탐지 실험에 사용한 사이드 스캔 소나의 이미지 데이터는 미 해군 수상전센터에서 공개한 자료이고 4종류의 합성수중물체로 구성되었으며, 광학 이미지 데이터는 자체 촬영한 4종류의 물체로 구성되었다. 컨볼루션 신경망 알고리즘은 관심영역 기반으로 학습하는 Faster R-CNN을 기본으로 하며 신경망의 세부사항을 보유한 데이터에 적합하도록 자체 구성하였다. 본 연구에서는 소나 이미지 데이터와 광학 이미지 데이터를 각각 컨볼루션 신경망으로 학습하고 테스트한 결과를 정밀도-재현율 곡선으로 비교하였고 소나 이미지 데이터에 지정한 관심영역의 변경이 탐지성능에 미치는 영향을 검토함으로써 컨볼루션 신경망의 수중물체 탐지 적용성에 대해 살펴보았다. 결론에서는 인공지능 발전 측면에서의 논문의 의의를 언급하면서 본 연구를 발전시키기 위한 방향을 진단하며 논문을 마무리하였다.