Transformer 기반 객체 탐지 모델 분석 및 제안된 개선방안에 대한 고찰과 한계점 논의
- 주제(키워드) 도움말 인공지능 , 딥러닝 , 컴퓨터비전 , 객체탐지
- 발행기관 국립강릉원주대학교 일반대학원
- 지도교수 도움말 서상민
- 발행년도 2025
- 학위수여년월 2026. 2
- 학위명 석사
- 학과 및 전공 도움말 일반대학원 의료기기융복합학과
- 실제URI http://www.dcollection.net/handler/kangnung/000000012398
- UCI I804:42001-000000012398
- 본문언어 한국어
초록/요약 도움말
객체 탐지의 초창기 연구는 주로 얼굴 인식에 초점을 맞추고 진행되어왔고, 딥러닝과 대규모 데이터셋의 등장은 객체 탐지 분야를 획기적으로 발전시켰다. 객체 탐지 분야는 주로 CNN을 활용하여 발전해왔고, 이를 기반으로 객체 탐지를 수행하는 여러 방법들이 개발되었다. 하지만 기존의 방법들은 경험적인 요인에 의존하고, 후처리 방법이 복잡하며, 수동 설계가 필요한 문제들이 존재한다. 이 문제들을 해결하기 위해 여러 방법들이 제안되며 객체 탐지 분야가 발전하였지만 후처리 방법에 대한 부분은 제거할 수 없는 방법이었다. 이를 해결하기 위해 트랜스포머 기반 객체 탐지 모델 방법이 등장하였고, 이 방법은 후처리 과정을 제거함으로써 객체 탐지 모델을 한 단계 더 발전 시켰다고 평가받는다. 하지만 연산량 문제, 후보군 설정의 문제, 양성/음성 샘플의 문제의 단점이 존재하고 이를 해결하기 위해 다양한 방법들이 제안되었다. 본 논문에서는 트랜스포머 기반 객체 탐지 모델이 가지고 있는 여러 단점들을 분석하고, 이를 해결하기 위한 시도들을 자세히 살펴볼 것이다. 또한 기존 객체 탐지 모델들의 방법론 또한 분석하여 기존 방법들이 어떤 방식으로 객체 탐지 과제를 수행해왔고, 어떤 문제가 존재하는지를 살펴볼 것이다.
more목차 도움말
Ⅰ. 서론 1
1. 연구 배경 1
2. 연구 목적 및 범위 3
Ⅱ. 관련 연구 및 이론적 배경 4
1. CNN 기반 객체 탐지 모델 소개 4
1) 2단계 객체 탐지 모델 4
2) 1단계 객체 탐지 모델 8
2. Transformer와 Self-Attention 매커니즘 12
1) Transformer 12
2) Self-Attention 14
(1) Self-Attention : Single-Head 14
(2) Multi-Head Self-Attention 16
Ⅲ. Transformer 기반 객체 탐지 모델 분석 18
1. DETR 소개 18
1) CNN과의 차이점 18
2) DETR의 주요 아이디어 19
(1) 이분 매칭 19
(2) 객체 쿼리 22
3) DETR 분석 23
4) DETR의 한계점 25
2. Attention 연산 효율화 26
3. 객체 쿼리의 고도화 28
4. 매칭 알고리즘 32
Ⅳ. 현재 시점의 한계점 및 향후 연구 방법 제안 43
Ⅴ. 결론 44
참고문헌 45
Abstract 51
