Soiled Camera Image Classification with Energy-based Anomaly Detection
- Publisher 서강대학교 일반대학원
- Advisor 강석주
- Issued Date 2023
- Awarded Date 2023. 2
- Thesis Degree 석사
- Major 일반대학원 전자공학과
- URI Entity http://www.dcollection.net/handler/sogang/000000070259
- UCI I804:11029-000000070259
- Language 영어
- Rights 서강대학교 논문은 저작권 보호를 받습니다.
Abstract
Wide-angle cameras are commonly used for automatic driving for parking and autonomous driving. However, foreign substances such as mud, dust, water, and frost can easily contaminate these cameras. The contaminations on the lens may seriously degrade the autonomous driving algorithm, thus the importance of the related research is also increasing. However, since such contaminations occur under rare conditions, generating datasets for various situations is challenging. Using insufficient datasets causes problems because the model cannot make a reasonable decision in real-world situations due to training and test data differences. To tackle this problem, we create a Soiled Camera Image Classification dataset consisting of general notsoiled situations and situations soiled by dust, mud, and water droplets., and classify the types of contaminants using only a small amount of training data. Our dataset is difficult to classify with a standard classifier because of the significant difference in the properties of the training data and the test data. We demonstrated that the standard classification method cannot solve the problem through multilateral analysis and that using the anomaly detection method is reasonable. Using the proposed anomaly detection framework, the performance has been improved compared to the existing classification method as well as other various anomaly detection techniques.
moreAbstract
광각 카메라 (Wide-angle cameras)는 주차 및 자율주행 작업을 위한 자동 운전에 일반적으로 사용된다. 이러한 카메라는 이물질 (진흙, 먼지, 물방울)에 의해 쉽게 오염될 수 있다. 이러한 렌즈상의 오염은 자율주행 알고리즘을 심각하게 저하 시킬 수 있으며, 이와 관련된 연구의 중요성도 커지고 있다. 그러나 이러한 오염은 드물게 발생하기 때문에 다양한 상황에 대한 데이터 셋을 생성하는것이 어렵고, 부족한 데이터 셋을 사용하게 되면 훈련 데이터와 테스트 데이터의 차이로 인하여 실제 상황에서 모델이 올바르게 판단하지 못하는 문제가 생긴다. 이러한 문제를 해결하기 위해 우리는 먼저 후방카메라가 오염되지 않은 상태에서 촬영된 영상과 진흙, 먼지, 물방울 세가지 오염물질에 의해 오염된 상태에서 촬영된 영상을 수집하고, 적은 훈련 데이터만을 사용하여 해당 오염 물질의 종류를 분류하는 네트워크를 제안한다. 우리의 데이터 셋은 훈련 데이터와 테스트 데이터의 특성의 차이가 크기 때문에 일반적인 classifier를 통해 분류하기 어렵다. 우리는 이에 대해 다각적인 분석을 통해 일반적인 classification 방법으로는 해당 문제를 해결할 수 없다는 것과 anomaly detection 방식을 활용하는 것이 유효함을 증명하였다. 새롭게 제안하는 anomaly detection framework를 활용하여 기존의 classification 방법 뿐 아니라 다른 다양한 anomaly detection 기법에 비해 성능을 향상시켰다.
more