콘텐츠로 건너뛰기 메뉴로 건너뛰기 푸터로 건너뛰기
데이터를 불러오고 있습니다
데이터를 저장하고 있습니다
#항공기 # 민간항공기 # 군용기 # 회전익 # 경량항공기 # 활주로 # 노면시설 # 노면장애

활주로 내 이상물체 감지 객체 이미지

활주로 내 이상물체 감지 객체 이미지
  • 분야재난안전환경
  • 유형 이미지
구축년도 : 2020 갱신년월 : 2023-07 조회수 : 13,900 다운로드 : 381 용량 :
샘플 데이터 ?

샘플데이터는 데이터의 이해를 돕기 위해 별도로 가공하여 제공하는 정보로써 원본 데이터와 차이가 있을 수 있으며,
데이터에 따라서 민감한 정보는 일부 마스킹(*) 처리가 되어 있을 수 있습니다.

※ 내국인만 데이터 신청이 가능합니다.

  • 데이터 변경이력

    데이터 변경이력
    버전 일자 변경내용 비고
    1.1 2023-07-17 원천데이터 수정
    1.0 2021-06-18 데이터 최초 개방

    데이터 히스토리

    데이터 히스토리
    일자 변경내용 비고
    2023-04-12 메타데이터/세부데이터/데이터 통계/활용AI모델 및 코드 내용 개정
    2022-10-12 신규 샘플데이터 개방

    소개

    활주로에서 존재하는 이상객체(차, 상자, 비둘기, 사람)등의 인식을 위한 영상 데이터

    구축목적

    항공기 이/착륙과 관련한 안전사고 예방을 위해 공항 내, 특히 활주로에서 존재하는 이상객체 (지상 조업차량, 이동형 운반 차량, 화물 및 공구상자, 공항 활주로 주변의 철새들, 고라니와 같은 동물, 작업자 및 공항 근무자)등의 영상을 취득하여 이상 객체 인식 AI학습용데이터 구축
  • 구축 내용 및 제공 데이터량

     
    과제명 데이터 구축량 비고
    영상/이미지 목표 수량
    항공 활주로 데이터 이미지 2,000,000장 이상 BB 5,000,000 이상 BB 6,026,189  

     

    • 정성적 성과
    정성적 성과 표
    구분 성과기준(A) 결과(B) 달성률(B/A)
    가공 Bounding Box 15,500,000 17,402,749 112.2%
    Polygon 240,000 339,118 141.2%
    Keypoint 120,000 120,051 100%
    활용 활용모델/응용 서비스 개발(항공) mAP 41.2% 이상
    (416 X 416기준)
    55.91% 135.7%
    고용 신규 일자리 창출 360명 1762명 489.2%
    청년 일자리 채용 360명 895명 248.6%

     

    • 항공 활주로 내 이상물체 감지를 위한 객체 데이터
    항공 활주로 내 이상물체 감지를 위한 객체 데이터 표
    데이터유형 단위 목표수량 달성수량 달성율 비고
    이미지 2,000,000 2,032,530 100%  
    Instance 5,000,000 6,026,189 100%  
    Bounding Box 5,000,000 6,026,189 100%  
  • 저작도구 설명서 및 저작도구 다운로드

    저작도구 설명서 다운로드 저작도구 다운로드
  • AI 모델 상세 설명서 다운로드

    AI 모델 다운로드

    • YOLOv4

     

    < YOLOv4 구조 >


    출처 : 논문 YOLOv4:Optimal Speed and Accuracy of Object Detection 2020.

     

     

    • YOLOv4의 장점
      - input Resolution 개선 : 이전 버전 YOLO의 문제로 Small Object Detection에 취약한 문제가 있는데, 이를 해결하기 위해 Input Resolution을 기존 224, 256 등의 Resolution을 사용하였으나, YOLOv4에서는 Input Resolution을 416, 512, 608을 사용함.
      - Receptive field 개선 : Base Layer 수를 늘리고, 하나의 Image에서 다양한 종류 및 크기의 Object를 동시에 검출하기 위해 Parameter 수를 높임
      - 속도 개선 : CSPNet 기반의 Backbone 설계로 속도를 향상시킴.

    • YOLOv4 Architecture
      - YOLOv4 = YOLOv3 + CSPNet(CSPDarknet53) + SPP + PAN + BoF + BoS
      - CSPNet : 추론을 위한 코스트를 완화시키면서도 정확도 손실을 최소화 할 수 있는 Cross Stage Partial Network 구조를 사용하였고, 학습 면에서는 gradient flow를 나누어 학습에 긍정적 영향을 미쳐 정확도 손실이 적음.

     

    < CSPNet 구조 >

    출처 : 논문 CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN 2019

     

      - SPP : Spatial Pyramid Pooling을 통하여 다양한 스케일로부터 강인한 특징을 추출함.

    < SPP 구조 >

     

    출처 : 논문 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition, 2014.

     

      - PAN : Path Augmentation > Pooling > Fusion의 단계로 처리됨.
        (a) FPN backbone : 피라미드의 각 파란색 레이어는 도식으로 보면 한층 같지만 사실 ResNet-50 등으로 구성되어있기 때문에 도식의 붉은 점선의 경로대로 최하단 레이어가 최상위까지 도달하기 위해서는 굉장히 많은 수의 레이어를 지나가게 되고, 결과적으로 Propagate가 원활하게 이루어지지 못함.
        (b) Bottom-up path augmentation : 간단한 Convolution 계층으로 이루어진 Nn 피라미드를 새로 구성하자는 접근법을 제안하였고, 이렇게 새로운 피라미드(주황색)를 만들 경우, 최하단 레이어가 최상단까지 도달하기 위해서는 녹색 점선처럼 Shortcut 하나와 몇 개의 Conv Layer들만 거치게 되고 기존 Backbone Model(ResNet-50 등)에 비해 원활한 Information Flow가 가능해짐. 모든 NN 레이어들은 Resolution은 다르지만 똑같이 256개의 필터를 가지며, NN-1을 Stride 2의 3x3 Convolution 연산으로 Downsampling한 결과를 Pn과 Concatenate 시켜 구현함.
        (c) Adaptive feature pooling : Mask R-CNN에 사용된 ROIAlign 기법을 통해 각 NN마다 관심영역을 추출해낸다. Feature Map은 보통 최종 아웃풋의 Resolution 차이가 있기 때문에 Naive하게 ROI를 설정하면 아웃풋에 해당하는 정확한 Pixel과 불일치하는 문제가 발생할 수 있는데 이를 보정해주는 기법이 ROIAlign임. 다음으로 모든 Nn 레이어의 ROI를 Element-wise로 Pooling 해줌.
        (d) Box Branch : Instance를 단순히 Box로 구분하고 싶다면 Pooling의 결과를 아래 도식과 같이 Fully-connected Layer로 연결해 예측하면 되고, Segmentation을 하려면 아래 방식을 적용하면 됨.
        (e) Fully-connected fusion : 정확한 예측을 위해 Pooling 결과를 Conv Layer와 Fully-connected Layer로 분기시킨 뒤 융합시키는 방법으로, Conv Filter는 Spatial Information을, FC Layer는 공간정보는 없지만 풍부한 정보량을 가지고 있기 때문에, 이 둘을 Fusion시키면 더 정확한 예측이 가능함.

     

    출처 : 논문 Path Aggregation Network for Instance Segmentation 2018.

     

      - BoF : Data augmentation, Loss function, Regularization 등 학습에 관여하는 요소로, training cost를 증가시켜서 정확도를 높이는 방법

    < BoF 구조 >

    출처 : 논문 YOLOv4:Optimal Speed and Accuracy of Object Detection 2020.

     

      - BoS : architecture 관점에서의 기법들이 주를 이루고, post processing도 포함이 되어 있으며, 오로지 inference cost만 증가시켜서 정확도를 높이는 기법

    출처 : 논문 YOLOv4:Optimal Speed and Accuracy of Object Detection 2020.

  • 데이터 성능 점수

    측정값 (%)
    기준값 (%)

    데이터 성능 지표

    데이터 성능 지표
    번호 측정항목 AI TASK 학습모델 지표명 기준값 점수 측정값 점수
    1 항공 활주로 이상객체 인식 Object Detection (1)Backbone(CSPDarknet53) -> (2)Neck(Spatial Pyramid Pooling) -> (3)DensePrediction(Anchor based predictor in YOLOV3) mAP 41.2 % 92 %

    ※ 데이터 성능 지표가 여러 개일 경우 각 항목을 클릭하면 해당 지표의 값이 그래프에 표기됩니다.

    ※ AI모델 평가 지표에 따라 측정값의 범위, 판단 기준이 달라질 수 있습니다. (ex. 오류율의 경우, 낮을수록 좋은 성능을 내는 것으로 평가됩니다)

  • 설명서 및 활용가이드 다운로드

    데이터 설명서 다운로드 구축활용가이드 다운로드

    구축 목적

    • 항공기 이/착륙과 관련한 안전사고 예방을 위해 공항 내, 특히 활주로에서 존재하는 이상객체 (지상 조업차량, 이동형 운반 차량, 화물 및 공구상자, 공항 활주로 주변의 철새들, 고라니와 같은 동물, 작업자 및 공항 근무자)등의 영상을 취득하여 이상 객체 인식 AI학습용데이터 구축

    활용 분야

    • 공항 영상 내 존재하는 이상객체를 감지하는 인공지능 AI 알고리즘 개발연구

    주요 키워드

    • 산업안전, 항공 활주로 내 안전장비 인식 데이터셋

    소개

    • 공개된 양질의 공항 활주로 이상물체 감지 AI 학습용 데이터를 관련 기업, 대학/연구소 등이 활용하여 AI 알고리즘 수준 향상, 플랫폼 서비스 기술 등 원천 기술 확보 - 항공 활주로 내 이상물체 감지를 위한 객체 데이터
       

    소개 이미지


    대표도면

    • 항공 활주로 내 이상물체 감지를 위한 객체 데이터
       

    대표도면

    대표도면 JSON

    필요성

    • 항공 활주로 내 이상물체 감지를 위한 객체 데이터
      - 국민의 안전보장을 위한 위험객체 데이터 구축에 의한 위험상황 분석 필요
      - AI 경쟁력의 핵심인 대규모 데이터를 단기간에 확보하여 AI 선도국가로 도약하는 한편, 일자리 창출과 경제성장 동력 확보 필요
      - 크라우드소싱을 적용하여 일자리 창출은 물론, 국민 누구나 손쉽게 AI를 활용하여 새로운 비즈니스에 도전하고 전문가로 도약할 수 있는 기회 제공

    데이터 구조

    • 데이터 구조
      No. 항목명 설명 필수여부
      1   date 촬영일자 Y
        01월 01일 path Path정보 Y
        01월 02일 filename 파일이름(*jpg) Y
        01월 03일 copyrighter 저작권소유자 Y
        01월 04일 H_DPI 수평 해상도 값 Y
        01월 05일 location 촬영 장소 Y

       

      01월 06일 bit 비트 수준 Y
        01월 07일 V_DPI 수직 해상도 값 Y
        01월 08일 resolution 이미지 해상도 Y
      2 02월 01일 대분류 대분류 정보 Y
        02월 02일 중분류 중분류 정보 Y
        02월 03일 flags 겹침 및 잘림 여부 Y
        02월 04일 box Bounding Box 좌표 Y
        02월 05일 class Class 정보 Y
    • 데이터 셋(JSON 구조)
      분류 항목 내용 값 범위 입력 방법
      {        
      “image”: {   이미지 정보    
        “filename”:  “sample.JPG”,  파일명   파일명 입력
        “copyrighter”: ”미디어그룹사람과숲 (컨 )”, 저작권 소유자   고정값 입력
        “date”: ”2020.10.15”, 촬영 일시   폴더명 입력
        “location” : “01” 촬영 장소 01~06 파일명에서 추출
      S1-N 01 01M00001.JPG
        “H DPI”: ”72”, 수평 해상도   이미지 속성에서 추출
      수평 해상도
        “V DPI”: “72”, 수직 해상도   이미지 속성에서 추출
      수직 해상도
        “bit”: “24”, 비트 수준   이미지 속성에서 추출
      비트 수준
        “resolution”: [1920,1280]}, 이미지 해상도   이미지 속성에서 추출

       
    • 어노테이션 포맷
       
      항목 가공단위 가공방식 Tag name
      항공기 객체 Bounding box x,y 의 2개 point Bbox
      객체외곽을 Box로 가공 
      크라우드가 정의
      활주로 객체 Bounding box x,y 의 2개 point Bbox
      객체외곽을 Box로 가공
      크라우드가 정의
      동물 객체 Bounding box x,y 의 array Bbox
      객체 선을Point로 가공
      크라우드가 정의
      사람 객체 Bounding box x,y 의 2개 point Bbox
      객체외곽을 Box로 가공
      크라우드가 정의
      이상물체 객체 Bounding box x,y 의 array Bbox
      객체외곽을 Point로 가공
  • 데이터셋 구축 담당자

    수행기관(주관) : 미디어그룹사람과숲
    수행기관(주관)
    책임자명 전화번호 대표이메일 담당업무
    성낙춘 02-6959-6632 sung_1973@humanf.co.kr · 사업관리 총괄
    수행기관(참여)
    수행기관(참여)
    기관명 담당업무
    아이브스(주) · 서비스 개발
    (주)센스비전 · 데이터 수집, 정제
    한서대 산학협력단 · 데이터 수집
    (주)인피닉 · 플랫폼 운영
    데이터 관련 문의처
    데이터 관련 문의처
    담당자명 전화번호 이메일
    성낙춘(미디어그룹사람과숲) 02-6959-6632 sung_1973@humanf.co.kr
보건의료 데이터 개방 안내

보건의료 데이터는 온라인 및 오프라인 안심존을 통해 개방됩니다.

안심존이란 안심존 이용메뉴얼 안심존 이용신청
  • 인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
    * 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
    * 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석

    1. AI 허브 접속
      신청자
    2. 안심존
      사용신청
      신청자신청서류 제출*
    3. 심사구축기관
    4. 승인구축기관
    5. 데이터 분석 활용신청자
    6. 분석모델반출신청자
  • 1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기]
    2. 기관생명윤리위원회(IRB) 승인된 연구계획서
    3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
    4. 안심존 이용 신청서 [다운로드]
    5. 보안서약서 [다운로드]
    ※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다.

  • 신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의

데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.

API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.

리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.

※ 파일 병합 리눅스 명령어

find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"

- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.

- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.

※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.