공간 혼잡도 추정을 위한 딥러닝 프레임웍 및 머 신러닝 기법과의 성능 비교 (Deep Learning Framework for Spatial Crowdedness Estimation and Comparison Analysis with Machine Learning)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 32권 / 1호 / 76 ~ 85페이지
· 저자명 : Ahtesham Bakht, 이현수

초록

혼잡도 추정은 머신러닝를 비롯한 관련 분야에서 중요한 연구요소로 여겨져 왔다. 본 연구는 이러한 혼잡도 추정에서 주차장 공간의 혼잡도 추정에 초점을 맞춘다. 대부분의 주차장혼잡도는 설치된 센서에 의하여 직접적으로 산출되어 왔으나, 본 연구는 두가지 기법을 비교분석하여 혼잡도 추정이 간접적으로 측정 가능함을 보여준다. 먼저, 컨볼루션 신경망 기반의딥러닝을 통하여 혼잡도를 추정하고, 이를 방향 히스토그램 기반의 서포트 벡터머신 기법과비교 분석한다. 테스트 사례로서, 오픈 주차공간 이미지 데이터에 기반하여 두 기법을 적용하고, 이를 통해 공간 혼잡도 추정 성능을 비교 분석한다. 비교분석의 결과로서, 컨볼루션 신경망 기반의 공간 혼잡도 추정이 전통적인 방법보다 효과적이라는 것을 보여주며, 이를 통해여러 노출 공간의 혼잡도 추정에 적용 가능함을 보인다

영어초록

Crowdedness estimation of a site has been one of important research areas in machine learning and relevant fields. Among these estimations, this study focuses on crowdedness estimation of parking lots. Occupancy estimation of open space parking lots receives considerable emphasis, due to limitations of sensor-based methods. In order to estimate the crowdedness of an open space parking lot, this study proposes and compares: a Convolution Neural Network (CNN)-based estimation framework, a histogram of gradients (HOG) feature-based Support Vector Machine (SVM) framework, Bag of Words (BoW) feature based SVM, k- Nearest Neighbor, Decision Tree and Neural Network. This comparison makes it clarify the advantages and disadvantages of deep learning approaches, compared to a traditional feature-based machine learning (ML) method. As a test set, an open image data set for parking lots are applied and tested. As a result, the proposed simplified deep learning framework has better performance than existing feature-based machine learning methods. The provided results can be applied to several crowdedness estimation in open spaces.

참고자료

· 없음