AI-Hub

데이터 변경이력

데이터 히스토리

소개

활주로에서 존재하는 이상객체(차, 상자, 비둘기, 사람)등의 인식을 위한 영상 데이터

- 데이터 영역 : 재난안전환경

- 데이터 유형 : 이미지 

- 데이터 형식 : jpg

- 데이터 출처 : 직접취득

- 라벨링 유형 : 바운딩박스, 폴리곤, 키포인트

- 라벨링 형식 : JSON

- 데이터 활용 서비스 : 활주로 이상물체 감지 솔루션

- 구축년도 : 2020년

- 구축량 : 143만

구축목적

항공기 이/착륙과 관련한 안전사고 예방을 위해 공항 내, 특히 활주로에서 존재하는 이상객체 (지상 조업차량, 이동형 운반 차량, 화물 및 공구상자, 공항 활주로 주변의 철새들, 고라니와 같은 동물, 작업자 및 공항 근무자)등의 영상을 취득하여 이상 객체 인식 AI학습용데이터 구축

구축 내용 및 제공 데이터량

• 정성적 성과

• 항공 활주로 내 이상물체 감지를 위한 객체 데이터

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

• YOLOv4

< YOLOv4 구조 >

출처 : 논문 YOLOv4：Optimal Speed and Accuracy of Object Detection 2020.

• YOLOv4의 장점
  - input Resolution 개선 : 이전 버전 YOLO의 문제로 Small Object Detection에 취약한 문제가 있는데, 이를 해결하기 위해 Input Resolution을 기존 224, 256 등의 Resolution을 사용하였으나, YOLOv4에서는 Input Resolution을 416, 512, 608을 사용함.
  - Receptive field 개선 : Base Layer 수를 늘리고, 하나의 Image에서 다양한 종류 및 크기의 Object를 동시에 검출하기 위해 Parameter 수를 높임
  - 속도 개선 : CSPNet 기반의 Backbone 설계로 속도를 향상시킴.

• YOLOv4 Architecture
  - YOLOv4 = YOLOv3 + CSPNet(CSPDarknet53) + SPP + PAN + BoF + BoS
  - CSPNet : 추론을 위한 코스트를 완화시키면서도 정확도 손실을 최소화 할 수 있는 Cross Stage Partial Network 구조를 사용하였고, 학습 면에서는 gradient flow를 나누어 학습에 긍정적 영향을 미쳐 정확도 손실이 적음.

 

< CSPNet 구조 >

출처 : 논문 CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN 2019

  - SPP : Spatial Pyramid Pooling을 통하여 다양한 스케일로부터 강인한 특징을 추출함.

< SPP 구조 >

출처 : 논문 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition, 2014.

  - PAN : Path Augmentation > Pooling > Fusion의 단계로 처리됨.
    (a) FPN backbone : 피라미드의 각 파란색 레이어는 도식으로 보면 한층 같지만 사실 ResNet-50 등으로 구성되어있기 때문에 도식의 붉은 점선의 경로대로 최하단 레이어가 최상위까지 도달하기 위해서는 굉장히 많은 수의 레이어를 지나가게 되고, 결과적으로 Propagate가 원활하게 이루어지지 못함.
    (b) Bottom-up path augmentation : 간단한 Convolution 계층으로 이루어진 Nn 피라미드를 새로 구성하자는 접근법을 제안하였고, 이렇게 새로운 피라미드(주황색)를 만들 경우, 최하단 레이어가 최상단까지 도달하기 위해서는 녹색 점선처럼 Shortcut 하나와 몇 개의 Conv Layer들만 거치게 되고 기존 Backbone Model(ResNet-50 등)에 비해 원활한 Information Flow가 가능해짐. 모든 NN 레이어들은 Resolution은 다르지만 똑같이 256개의 필터를 가지며, NN-1을 Stride 2의 3x3 Convolution 연산으로 Downsampling한 결과를 Pn과 Concatenate 시켜 구현함.
    (c) Adaptive feature pooling : Mask R-CNN에 사용된 ROIAlign 기법을 통해 각 NN마다 관심영역을 추출해낸다. Feature Map은 보통 최종 아웃풋의 Resolution 차이가 있기 때문에 Naive하게 ROI를 설정하면 아웃풋에 해당하는 정확한 Pixel과 불일치하는 문제가 발생할 수 있는데 이를 보정해주는 기법이 ROIAlign임. 다음으로 모든 Nn 레이어의 ROI를 Element-wise로 Pooling 해줌.
    (d) Box Branch : Instance를 단순히 Box로 구분하고 싶다면 Pooling의 결과를 아래 도식과 같이 Fully-connected Layer로 연결해 예측하면 되고, Segmentation을 하려면 아래 방식을 적용하면 됨.
    (e) Fully-connected fusion : 정확한 예측을 위해 Pooling 결과를 Conv Layer와 Fully-connected Layer로 분기시킨 뒤 융합시키는 방법으로, Conv Filter는 Spatial Information을, FC Layer는 공간정보는 없지만 풍부한 정보량을 가지고 있기 때문에, 이 둘을 Fusion시키면 더 정확한 예측이 가능함.

출처 : 논문 Path Aggregation Network for Instance Segmentation 2018.

  - BoF : Data augmentation, Loss function, Regularization 등 학습에 관여하는 요소로, training cost를 증가시켜서 정확도를 높이는 방법

< BoF 구조 >

출처 : 논문 YOLOv4：Optimal Speed and Accuracy of Object Detection 2020.

  - BoS : architecture 관점에서의 기법들이 주를 이루고, post processing도 포함이 되어 있으며, 오로지 inference cost만 증가시켜서 정확도를 높이는 기법

출처 : 논문 YOLOv4：Optimal Speed and Accuracy of Object Detection 2020.

데이터 성능 점수

설명서 및 활용가이드 다운로드

구축 목적

• 항공기 이/착륙과 관련한 안전사고 예방을 위해 공항 내, 특히 활주로에서 존재하는 이상객체 (지상 조업차량, 이동형 운반 차량, 화물 및 공구상자, 공항 활주로 주변의 철새들, 고라니와 같은 동물, 작업자 및 공항 근무자)등의 영상을 취득하여 이상 객체 인식 AI학습용데이터 구축

활용 분야

• 공항 영상 내 존재하는 이상객체를 감지하는 인공지능 AI 알고리즘 개발연구

주요 키워드

• 산업안전, 항공 활주로 내 안전장비 인식 데이터셋

소개

• 공개된 양질의 공항 활주로 이상물체 감지 AI 학습용 데이터를 관련 기업, 대학/연구소 등이 활용하여 AI 알고리즘 수준 향상, 플랫폼 서비스 기술 등 원천 기술 확보 - 항공 활주로 내 이상물체 감지를 위한 객체 데이터
   

대표도면

• 항공 활주로 내 이상물체 감지를 위한 객체 데이터
   

필요성

• 항공 활주로 내 이상물체 감지를 위한 객체 데이터
  - 국민의 안전보장을 위한 위험객체 데이터 구축에 의한 위험상황 분석 필요
  - AI 경쟁력의 핵심인 대규모 데이터를 단기간에 확보하여 AI 선도국가로 도약하는 한편, 일자리 창출과 경제성장 동력 확보 필요
  - 크라우드소싱을 적용하여 일자리 창출은 물론, 국민 누구나 손쉽게 AI를 활용하여 새로운 비즈니스에 도전하고 전문가로 도약할 수 있는 기회 제공

데이터 구조

• 데이터 구조

  데이터 구조 표

  No.		항목명	설명	필수여부
  1		date	촬영일자	Y
  	1-1	path	Path정보	Y
  	1-2	filename	파일이름(*jpg)	Y
  	1-3	copyrighter	저작권소유자	Y
  	1-4	H_DPI	수평 해상도 값	Y
  	1-5	location	촬영 장소	Y
  	1-6	bit	비트 수준	Y
  	1-7	V_DPI	수직 해상도 값	Y
  	1-8	resolution	이미지 해상도	Y
  2	2-1	대분류	대분류 정보	Y
  	2-2	중분류	중분류 정보	Y
  	2-3	flags	겹침 및 잘림 여부	Y
  	2-4	box	Bounding Box 좌표	Y
  	2-5	class	Class 정보	Y

• 데이터 셋(JSON 구조)

  데이터셋(JSON 구조) 표

  분류	항목	내용	값 범위	입력 방법
  {
  “image”: {		이미지 정보
  	“filename”:  “sample.JPG”,	파일명		파일명 입력
  	“copyrighter”: ”미디어그룹사람과숲 (컨 )”,	저작권 소유자		고정값 입력
  	“date”: ”2020.10.15”,	촬영 일시		폴더명 입력
  	“location” : “01”	촬영 장소	01~06	파일명에서 추출
  				S1-N 01 01M00001.JPG
  	“H DPI”: ”72”,	수평 해상도		이미지 속성에서 추출
  				수평 해상도
  	“V DPI”: “72”,	수직 해상도		이미지 속성에서 추출
  				수직 해상도
  	“bit”: “24”,	비트 수준		이미지 속성에서 추출
  				비트 수준
  	“resolution”: [1920,1280]},	이미지 해상도		이미지 속성에서 추출

  
   
• 어노테이션 포맷

  어노테이션 포맷 표

  항목	가공단위	가공방식	값	Tag name
  항공기	객체	Bounding box 객체외곽을 Box로 가공 크라우드가 정의	x,y 의 2개 point	Bbox
  활주로	객체	Bounding box 객체외곽을 Box로 가공 크라우드가 정의	x,y 의 2개 point	Bbox
  동물	객체	Bounding box 객체 선을Point로 가공 크라우드가 정의	x,y 의 array	Bbox
  사람	객체	Bounding box 객체외곽을 Box로 가공 크라우드가 정의	x,y 의 2개 point	Bbox
  이상물체	객체	Bounding box 객체외곽을 Point로 가공 크라우드가 정의	x,y 의 array	Bbox

데이터셋 구축 담당자

수행기관(주관) : 미디어그룹사람과숲

수행기관(참여)

데이터 관련 문의처