Hello, World!

안녕하세요. 필자는 대덕소프트웨어마이스터고등학교에서 재학중인 3학년 이재하 입니다.
제 소개를 간단히 하자면 인공지능 동아리 전 모딥의 부장으로 활동하였고 ML Research를 주로 공부하고 있습니다.
지난 4월 13일부터 15일까지 코엑스에서 국제인공지능대전에서 대마고 대표로 부스 운영을 하게 되었습니다. 이는 그 작품에 대한 소개입니다.

만약 부스 운영 회고록을 보고 싶으시다면 velog.io/@taki0412/2022-국제인공지능대전AI-EXPO-부스-운영-회고록를 봐주세요!

CLASSBER

Project CLASSBER는 특정 Object Class를 지정해 위치를 찾고, 따라다니는 카메라를 개발하는 것입니다.

개발동기

내가 생각하는 IT 기술의 본질은 사람들의 삶은 편리하게 해주는 것이다.

Project CLASSBER는 홈쇼핑에서 아이디어를 얻었습니다.
홈쇼핑을 보다보면 특정 Object를 Tracking 하고 Close UP / Down을 하는 모습을 쉽게 볼 수 있습니다.
하지만 이 간단한 작업에도 불구하고 카메라 감독님들의 인력이 엄청나게 많이 필요로 하게 됩니다.
이것을 AI가 대체해보면 어떨까하는 아이디어에서 시작했습니다.

작동방식

CLASSBER의 행동은 Detection, 위치 계산 및 이동, 제어로 나눌 수 있습니다.

첫번째 Detection은 분류(Classification)와 위치를 찾는(Localization) 작업을 Detection이라고 합니다. 이 Deteection을 통해 지정한 Class의 Location을 임베디드에 전달합니다.

두번째 Detection Model에서 나온 각 물체들의 값을 계산하고 특정 Object 중 가장 앞에 있는 물건의 위치를 반환합니다. 이후 임베디드 모터에서 Location이 Frame 중앙에 오도록 각도를 계산하여 카메라를 움직입니다.

세번째 제어는 프론트엔드와 백엔드에서 통신하여 임베디드를 제어합니다.
소켓을 통해 Frontend를 AI보다 높게 우선순위로 두어 M2Det Model이 작동하더라도 먼저 움직이도록 우선순위를 부여했습니다.
이후 인공지능을 활용한 제어는 똑같이 실행되도록 개발했습니다.

아래는 작동 영상입니다. 사진을 클릭하시면 유튜브로 넘어갑니다.

M2Det

저는 AI를 담당하였습니다. 인공지능 Model은 M2Det을 사용했습니다.

선정이유

저는 AI Model을 선정할 때 환경변수를 제일 먼저 생각합니다.

1. 실시간이다.
2. COEX에는 지나가는 사람, 휴대폰 등등의 CLASS가 엄청나게 많을 것이다.

위의 조건에 부합하기 위해 1 Stage Detector이면서 어느정도의 정확성을 가지고 있는 M2Det이라는 Model을 선정하게 되었습니다.

Model 설명

FPN은 보통 Classification에서 Feature를 뽑아내기 위해 사용합니다.
하지만 FPN은 Low-Level High-Level에 따라 너무 단조롭거나 복잡하거나 하는 Object에 대해서는 성능이 뛰어나지 않습니다.
하지만 M2Det은 이와 같은 문제를 해결하기 위해 MLFPN이라는 절충안을 제시합니다.

M2Det은 multi-scale, multi-level feature map을 사용하는 one-stage detector 입니다.

MLFPN과 SSD를 결합하여 M2Det이라는 강력한 end-to-end one-stage detector를 설계합니다.

• 정확도는 Two-Stage Detector인 Mask R-CNN과 경쟁합니다.
• 속도는 Pytorch 최적화 기준으로 15.3 FPS를 달성 하였습니다.

마지막 인사

저희팀은 3명으로 구성되어있습니다. 6주라는 짧은 기간이지만 최선을 다해준 친구들입니다.
저(이재하)의 링크들이 궁금하시다면 여기를 통해 확인해주세요!
티타임은 언제나 환영이며, 대면 / 온라인 모두 좋습니다!

이후의 글은 국제인공지능대전 회고로 돌아오겠습니다.

🐳 cv-jaeha Github 팔로우는 감사합니다 !