그룹 집중 기술로 개선된 Trans-Unet기반 단일 영상 연무제거 신경망 (An Improved Trans-Unet with Group Attention for Single Image Haze Removal)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 59권 / 6호 / 46 ~ 53페이지
· 저자명 : 홍찬의, 최현덕

초록

최근 컴퓨터 비전 기술이 발달하면서, 자율주행 분야에서 인공지능 기반 object detection, image segmentation 등의 컴퓨터 비전 기술들이 주목받고 있다. 그러나 이러한 기술들은 야간이나 폭우, 안개 등 기후 악조건 주행환경에서는 영상 손실문제로 인해 성능이 급격하게 저하되고, 이는 치명적인 인명피해를 야기시킬 수 있다. 본 논문에서는 이러한 영상 악조건 속에서도 강인한 컴퓨터 비전기술을 확보하기 위해 Group Attention Block (GAB)을 제안하고 이를 Unet 구조와 Vision Transformer에 적용한 새로운 영상 연무 제거 모델을 제안한다. 기존의 CNN(Convolution Neural Network)기반 encoder, decoder와 skip connection이 적용된 Unet구조를 통해 영상의 공간적인 정보를 활용한 특징맵을 추출하고 GAB를 적용하여 특징맵을 강화하며, 여기에 Vision Transformer를 추가 적용함으로써 inductive bias를 줄여 글로벌한 정보에서도 영상의 손실이 없도록 개선하였다. 제안하는 신경망 구조는 이전에 연구된 image dehazing 모델에 비해 PSNR(Peak Signal-to-Noise Ratio)과 SSIM(Structural Similarity Index Measure)에서 개선된 결과를 나타냄을 보여준다.

영어초록

With the recent development of computer vision technology, computer vision technologies such as artificial intelligence-based object detection and image segmentation are attracting attention in the field of autonomous driving. However, these technologies degrade performance due to image loss in driving environments under adverse weather conditions such as nighttime, heavy rain, and fog, which can cause fatal human casualties. In this paper, we propose a novel Group Attention Block (GAB) and a haze removal model combined with the Unet and Vision Transformer in order to get robust computer vision technologies even in such adverse image conditions. This network can capture the image feature with spatial information by CNN layer as well as capture global relations without inductive bias through Vision Transformer. Finally, GAB enhances these functions and helps the decoder to restore the clean image. The simulation results show an improvement in dehazing by PSNR (Peak Signal-to-Noise Ratio) and SSIM (Structural Similarity Index Measure) score compared to the previous image dehazing models

참고자료

· 없음