키키아이의 상황인지 기술(Awareness)은
노선버스에 최적화된 딥러닝 기반 객체 추적(Object Tracking)
모델을 적용하여 사전에 이상상황을
감지(Visual Anomaly Detection Technology)하여,
인간이 미처 인식하지 못하거나 방심하는 순간들을 탐지하고
경보함으로써 안전사고 발생 비율을 대폭 낮춥니다.
이는 2017년 기준 전체 자동차등록대수 대비 사고수는
13%, 사망자수는 16% 높은 버스에서의 인명사고를
획기적으로 줄일 수 있다는 것에
가장 큰 의의가 있으며, 의료비, 보험료, 공공 인프라 등을
비롯한 사회적 비용 경감에 기여하게 됩니다.
키키아이의 상황인지 기술(Awareness)은 노선버스에 최적화 된 딥러닝 기반 객체 추적(Object Tracking) 모델을 적용하여 사전에
이상상황을 감지(Visual Anomaly Detection Technology)하여, 인간이 미처 인식하지 못하거나 방심하는 순간들을 탐지하고
경보함으로써 안전사고 발생 비율을 대폭 낮춥니다.
이는 2017년 기준 전체 자동차등록대수 대비 사고수는 13%, 사망자수는 16% 높은 버스에서의 인명사고를 획기적으로 줄일 수 있다는 것에
가장 큰 의의가 있으며, 의료비, 보험료, 공공 인프라 등을 비롯한 사회적 비용 경감에 기여하게 됩니다.
객체 인식 기술은 컴퓨터 비전 분야에서
아주 오랫동안 연구되어 온 분야입니다.
그로인해 기술적으로도 성숙한 상태이고,
이미 사회 전반적으로 널리 사용되어 왔습니다.
하지만 이른바 알파고 쇼크 이후 컴퓨팅 파워와
관련 인공지능 기술들이 비약적으로 발달하면서
컴퓨터 비전 기술 또한 속도와 정확도에 있어
그 요구되는 수준이 필연적으로 높아지게 되었고,
기존의 기술 수준을 크게 뛰어 넘어 객체 인식을
실시간으로 가능케 해 주는 기술들이 안정적인
상용화 수준에 접어들고 있습니다.
컴퓨터에게 객체를 인식시키려면 가장 먼저 객체가
있을 법한 위치를 찾아야 합니다.
딥러닝 기술이 활성화되기
이전에는 이러한 위치를 제안해주는
Region Proposal 기술의 일환으로서
Selective Search 라는 알고리즘이 각광 받았습니다.
이후 나타난 대표적 딥러닝 기반 객체 인식 기술들인
R-CNN과 SPPNet 등에도 근간 기술로 활용됨으로써
그 유용성을 입증 받았으나,
Regional Proposal 기술도 딥러닝의 영역으로
넘어오면서 그 존재감을 딥러닝 기술들에게
넘겨주게 되었습니다.
2021년 현재 기준 20,000회가 넘는 인용 횟수를 달성한
딥러닝 기반 객체 인식의 선구자 격인 기술로서,
이미지 처리에 있어 대표적 딥러닝 기반 알고리즘이었던
합성곱 신경망(Convolutional Neural Network)을
전통적인 객체 인식 기술에 적용하여 관련 기술들의
정확도와 속도를 획기적으로 향상시켰습니다.
다만 딥러닝을 본격적으로 적용한 초기 모델이라는
한계로 전통적인 알고리즘들이
함께 사용되어 그 구조가 상당히 복잡하다는
한계점을 가지나, 이 R-CNN을 토대로
Fast R-CNN, Faster R-CNN등의
다양한 개선 모델들이 나옴으로써
본격적인 실시간 객체 인식의 시대를 열었다는 데에
커다란 기술적 의의가 있습니다.
Spatial Pyramid Pooling Net(이하 SPPNet)은
그 이전의 객체 인식 기술들이 고정된 크기의 이미지를
연산 대상으로 취하는 데에서 발생한 문제점을 개선하기 위해
고안되었습니다.
여기서 말하는 문제점이라 하면
대표적으로 crop과 wrap을 거론할 수 있는데,
crop을 적용하면 crop된 구역만 CNN을
통과시키기 때문에, 이미지 정보가 손실됩니다.
반면 wrap을 적용하면 원본 이미지의 가로세로 비율을
유지하지 못하고 이미지에 변형이 일어납니다.
SPPNet은 이러한 손실과 변형이라는 입력 이미지의
태생적 한계점을 해결해 줌으로써 R-CNN과 함께
객체 인식 기술의 속도와 정확도를 폭발적으로 끌어올린
근간 기술이 되었고, 이후 Faster R-CNN,
YOLO(You Only Look Once),
SSD(Single Shot Multibox Detector)와
같은 고성능 알고리즘들의 탄생에 일조하게 됩니다.
객체 인식 기술은 컴퓨터 비전 분야에서 아주 오랫동안 연구되어 온 분야입니다.
그로인해 기술적으로도 성숙한 상태이고, 이미 사회 전반적으로 널리 사용되어 왔습니다.
하지만 이른바 알파고 쇼크 이후 컴퓨팅 파워와 관련 인공지능 기술들이 비약적으로 발달하면서
컴퓨터 비전 기술 또한 속도와 정확도에 있어 그 요구되는 수준이 필연적으로 높아지게 되었고,
기존의 기술 수준을 크게 뛰어 넘어 객체 인식을 실시간으로 가능케 해 주는 기술들이 안정적인
상용화 수준에 접어들고 있습니다.
컴퓨터에게 객체를 인식시키려면 가장 먼저 객체가
있을 법한 위치를 찾아야 합니다.
딥러닝 기술이 활성화되기
이전에는 이러한 위치를 제안해주는
Region Proposal 기술의 일환으로서
Selective Search 라는 알고리즘이 각광 받았습니다.
이후 나타난 대표적 딥러닝 기반 객체 인식 기술들인 R-CNN과 SPPNet 등에도 근간 기술로 활용됨으로써 그 유용성을
입증 받았으나, Regional Proposal 기술도
딥러닝의 영역으로 넘어오면서
그 존재감을 딥러닝 기술들에게 넘겨주게 되었습니다.
2021년 현재 기준 20,000회가 넘는 인용 횟수를 달성한
딥러닝 기반 객체 인식의 선구자 격인 기술로서, 이미지 처리에
있어 대표적 딥러닝 기반 알고리즘이었던 합성곱 신경망(Convolutional Neural Network)을 전통적인
객체 인식 기술에 적용하여 관련 기술들의 정확도와 속도를
획기적으로 향상시켰습니다. 다만 딥러닝을 본격적으로
적용한 초기 모델이라는 한계로 전통적인 알고리즘들이
함께 사용되어 그 구조가 상당히 복잡하다는 한계점을 가지나,
이 R-CNN을 토대로 Fast R-CNN, Faster R-CNN등의
다양한 개선 모델들이 나옴으로써
본격적인 실시간 객체 인식의 시대를 열었다는 데에
커다란 기술적 의의가 있습니다.
Spatial Pyramid Pooling Net(이하 SPPNet)은
그 이전의 객체 인식 기술들이 고정된 크기의 이미지를
연산 대상으로 취하는 데에서 발생한 문제점을 개선하기 위해
고안되었습니다. 여기서 말하는 문제점이라 하면
대표적으로 crop과 wrap을 거론할 수 있는데, crop을 적용하면
crop된 구역만 CNN을 통과시키기 때문에,
이미지 정보가 손실됩니다. 반면 wrap을 적용하면
원본 이미지의 가로세로 비율을 유지하지 못하고
이미지에 변형이 일어납니다.
SPPNet은 이러한 손실과 변형이라는 입력 이미지의
태생적 한계점을 해결해 줌으로써 R-CNN과 함께
객체 인식 기술의 속도와 정확도를 폭발적으로 끌어올린
근간 기술이 되었고, 이후 Faster R-CNN,
YOLO(You Only Look Once), SSD(Single Shot Multibox Detector)와 같은 고성능 알고리즘들의 탄생에 일조하게 됩니다.
