OGQ GYN Developers Day는 OGQ GYN의 모델 개발 과정 및 논문 등을 많은 기업 분들께 발표하는 자리로, 매월 마지막 주 수요일에 진행되고 있습니다.
이번 컨퍼런스에서는 저번 시간에 다루었던 Fire Detection 모델의 상세한 개발 과정, 성능, 그리고 샘플을 발표하였습니다.
Contents
Conference 개요
•
일시 : 2022년 5월 25일 13:00 ~ 14:00
•
장소 : Zoom 미팅
•
참여기업 (가나다순)
◦
베스트디지탈 BEST DIGITAL
◦
셀링스시스템 Cellinx
◦
아이닉스 Eyenix
◦
원우이엔지 WONWOO
◦
웹게이트 WEBGATE
◦
트루엔 TRUEN
•
순서
1.
참여 업체 소개
2.
OGQ GYN 발표
•
사회자: OGQ GYN 우재현 연구원
•
발표자: OGQ GYN 정재희 연구원
3.
Q&A
1. Previous Presentation Summary
지난 컨퍼런스에서는 Character Recognition, Person Detection, Fire Detection 세 가지를 소개했습니다.
1-1 Character Recognition
1-2 Person Detection
객체 영역이 큰 경우
객체 영역이 작은 경우
객체가 많은 경우 / 객체가 작고 어두운 경우
2. Training Fire Detection
2-1. RSCM
•
RSCM은 Tag label을 기반으로 Semantic segmentation mask를 생성할 수 있는 지와이네트웍스 자체 기술입니다.
•
아래는 이미지별 각 접근법의 output으로, 가장 오른쪽의 RSCM이 명확한 경계를 생성하는 것을 확인할 수 있습니다.
2-2. Training Flow
1.
입력 이미지에 대하여 Tag label(Fire/Smoke)로 학습된 RSCM으로 마스크를 생성합니다.
2.
RSCM에서 생성한 마스크를 기반으로 바운딩 박스를 생성합니다.
3.
입력 이미지와 바운딩 박스로 최종 Fire Detection 모델을 학습시키게 됩니다.
이와 같은 방법을 사용하여 Detection 모델을 학습시키게 될 경우 Tag label만 사용하면 되기 때문에 Labeling 작업을 하는 데에 드는 수고를 덜 수 있으며, 이때문에 더 많은 데이터를 학습에 이용할 수도 있습니다.
_Tech_(5)-1.png&blockId=6d7fada0-637f-4e69-8f69-9ac6cea3aad9)
2-3. Box Generation
•
RSCM을 이용하여 생성된 마스크로 Fire Detection 모델을 학습시키기 위해서는 마스크를 바운딩 박스로 변환할 필요가 있습니다.
•
이를 위해 일정 크기 이상의 마스크를 선별한 뒤, 바운딩 박스로 변환하는 방식을 사용하였습니다.
좌측: RSCM이 생성한 마스크, 우측: 생성된 바운딩 박스
3. Model Performance
Fire Detection 모델을 학습시키기 위해 사용된 데이터와 성능 정보입니다.
•
RSCM과 Fire Detection 모델을 학습시키기 위하여 공통적으로 지와이네트웍스 자체 데이터셋을 사용하였습니다.
•
아래의 ‘GY FireDetection 40K COCO’ 데이터는 모델 예측 결과를 기반으로 실제 불이 아닌 조명, 안개 등의 모델이 헷갈릴 수 있는 negative data를 확보하여 구성하였습니다.
-2.png&blockId=7059295d-e103-40e8-b14f-4ce7c4822954)
Table 1. Fire Detection Training data Information
•
EN675 타입의 Fire Detection 모델은 자체 데이터셋에서 validation 73.88%, test 87.11%의 정확도를 달성하였습니다.
•
현재 Server 타입의 모델은 Classification, Semantic segmentation 두 가지 모델이 있기 때문에 Detection 모델인 EN675타입과의 비교가 불가하여 기재하지 않았습니다.
•
서버타입의 Detection 모델은 추후 개발 예정에 있습니다.
-3.png&blockId=4e5c3376-6181-44b3-a6b4-aaea2f389125)
Table 2. GY FireDetection Result
3-1. Label Noise
•
정답지 마스크를 사람이 직접 생성하는 것이 아니기 때문에 잘못된 정답지로 학습한 경우가 있을 수 있습니다.
•
현재 이를 해결하기 위하여 RSCM을 통한 바운딩 박스 생성을 고도화한 뒤, 새로 바운딩 박스를 생성하여 Fire Detection 모델을 재학습하는 과정에 있습니다.
화재가 아닌 영역을 화재로 잡거나, 연기의 전체 영역을 잡아주지 못하는 label noise
4. Qualitative Result
정검출
왼쪽부터 1) 원본 이미지 2) RSCM이 생성한 마스크 3) RSCM 마스크 기반 바운딩 박스 4) 모델 예측 결과
왼쪽부터 1) 원본 이미지 2) RSCM이 생성한 마스크 3) RSCM 마스크 기반 바운딩 박스 4) 모델 예측 결과
왼쪽부터 1) 원본 이미지 2) GT 마스크 3) RSCM이 생성한 마스크 4) 모델 예측 결과
오검출/미검출
•
아래와 같은 경우는 해결해야 할 문제입니다.
◦
불꽃 영역의 크기가 이미지의 10% 미만일 경우
◦
연기가 희미하여 배경과의 명확한 구분이 어려울 경우
불꽃 영역의 크기가 이미지의 10% 미만일 경우
왼쪽부터 1) 원본 이미지 2) RSCM이 생성한 마스크 3) RSCM 마스크 기반 바운딩 박스 4) 모델 예측 결과
왼쪽부터 1) 원본 이미지 2) RSCM이 생성한 마스크 3) RSCM 마스크 기반 바운딩 박스 4) 모델 예측 결과
연기가 희미하여 배경과의 명확한 구분이 어려울 경우
왼쪽부터 1) 원본 이미지 2) GT 마스크 3) RSCM이 생성한 마스크 4) 모델 예측 결과
왼쪽부터 1) 원본 이미지 2) GT 마스크 3) RSCM이 생성한 마스크 4) 모델 예측 결과
Search
.jpg)
OGQ GYN의 기술블로그를 비상업적으로 사용 시 출처를 남겨주세요.
상업적 용도를 원하실 경우 문의 부탁드립니다.
E-mail. tech@gynetworks.com
OGQ Corp. All right reserved.