활용갤러리

KISTI 기계학습 데이터 공유·활용 예시를 보실 수 있습니다.

[2021년 연구데이터·AI 분석활용 경진대회 우수상] 클린도시를 위한 AI 자가학습 기반의 자동 신고 시스템

  • 2021.12.17 14:41

프로젝트 설명
 

대전시 도로영상 객체인식 데이터셋을 활용해 도로의 포트홀/크랙 객체인식용 시각지능 시스템을 개발. 특히 자가학습 모델을 통해 데이터 부족 문제를 극복하고 인식성능을 개선.

 

 

How to Use

 

~/

 

  • Demo.ipynb :  데모 영상 실행

 

~/GPU_Server_BackEnd

 

  • /client_cloud.py : 제공된 KISTI 서버에서 실행
  • /host_cloud.py : GPU가 있는 Host 서버에서 실행

 

~/GPU_Server_BackEnd/kisti

 

  • /pseudo_eval.py
    • kisti pseudo-label 170 line : 여기서 우리는 crack only weight로 crack에 대해서만 pseudo-label json 생성

 

  • /eval.py
    • kisti 168 line : 이미지 당 어떤 물체들이 검색됐는지 txt로 뽑게끔

 

  • /output_utils.py
    • kisti uncertainty post-processing 88 line : 후처리를 통해 pseudo-label 데이터가 더 정확한 픽셀을 가지고 생성될 수 있도록 (제출한 자율주행 영상 비교 자료-ppt 18page-의 효과)
    • kisti uncertainty scoring filtering 98 line : Score에 uncertainty로 페널티를 부여해서 신뢰도 높은 검출 결과만 pseudo-labeling 되도록 하는 역할

 

~/GPU_Server_BackEnd/kisti/kisti_yolact

 

  • Base Line Model: YOLACT
  • /kisti
    • Model을 KISTI 경진대회에 맞게 튜닝

 

 

Performance

 

mAP50 = 64.06%(box), 63.01%(mask)

mAP50:95 = 46.79%(box), 43.89%(mask)

FPS = 35(RTX 2080ti)

 

 

Reference

 

https://arxiv.org/abs/1904.02689

 

 

Example

 

 

 

실험 순서

 

  1. Crack only json으로 학습
  2. Training set 중 crack이 없는 이미지들 py를 통해 pseudo-labeling
  3. 위 과정에서 uncertainty를 통해 후처리, 필터링
  4. 학습 이미지에 annotation 추가
  5. 전체 이미지 학습
  6. py로 기존 weight와 검출 결과 비교 txt 뽑기

 

첨부파일

발표자료.pdf ( 4.00 MB )

소스코드.zip ( 12.00 GB )

등록자로그인 후 댓글 작성이 가능합니다.