In this paper, we present auto-annotation tool and synthetic dataset using 3D CAD model for deep learning based object detection. To be used as training data for deep learning methods, class, segmentation, bounding-box, contour, and pose annotations of the object are needed. We propose an automated annotation tool and synthetic image generation. Our resulting synthetic dataset reflects occlusion between objects and applicable for both underwater and in-air environments. To verify our synthetic dataset, we use MASK R-CNN as a state-of-the-art method among object detection model using deep learning. For experiment, we make the experimental environment reflecting the actual underwater environment. We show that object detection model trained via our dataset show significantly accurate results and robustness for the underwater environment. Lastly, we verify that our synthetic dataset is suitable for deep learning model for the underwater environments.

최근의 인공 신경망(Neural Network) 기법은 전통적인 분류 문제와 군집화 문제 해결에서 벗어나 이미지 생성 같은 컨텐츠 생성에서도 좋은 성능을 보이고 있다. 본 연구에서는 차세대 컨텐츠 생성 기법으로 인공신경망을 이용한 이미지 생성기법을 제안한다. 제안하는 인공신경망 모델은 두 개의 이미지를 입력받아서 하나의 이미지에서는 색상을, 다른 이미지에서는 모양을 가져와 새로운 이미지로 조합해낸다. 이 모델은 컨볼루션 인공신경망(Convolutional Neural Network)으로 제작되 었으며 각각 이미지에서 색상과 모양을 추출해내는 두 개의 인코더와 각 인코더의 값을 모두 넘겨 받아 하나의 조합이 되는 이미지를 생성해내는 하나의 디코더로 구성이 되어있다. 본 연구의 성과는 저비용으로 게임 개발 프로세스 상 다양한 2차원 이미지 생성 및 보정 작업에 활용될 수 있다.

미군은 이기종간 워게임 환경통합과 최단시간 모의환경 생성을 위해 SE-CORE와 공통가상 환경을 개발하고 발전시키고 있다. 한국도 실정에 맞는 SEDRIS 연구 등을 진행하고 있지만 여전히 풀어야 할 문제가 많다. 이 연구는 합성자연환경에서 수작업으로 행해지는 객체 배치 과정을 이미지 채널 정보를 통해 반자동화 하는 방법을 제안하고 있으며, 이는 합성환경 생성을 빠르게 하고 이기종간 자료공유를 수월하게 할 수 있게 한다. 향후 추가적인 연구가 진행되면 다양한 정보수집 장치로부터 입력된 자료들을 합성전장환경에 적용할 수 있는 자동화 기술 개발도 가능할 것으로 보인다.