개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박동철
- 발행연도
- 2016
- 저작권
- 명지대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (2)
2017
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문은 학습속도를 개선한 Convolutional Neural Networks(CNNs)의 이미지 분류방법을 제안한다. CNNs는 멀티 클래스 이미지 분류에 좋은 성능을 내고 있지만, 데이터가 큰 경우 학습속도가 느리다는 단점이 있다. 이 단점을 학습속도가 빠른 Extreme Learning Machine을 적용하여 해결하고자 한다. ELM은 단일 히든 레이어로 구성된 Neural Networks에 효과적인 알고리즘으로, 입력 레이어와 히든 레이어 사이의 가중치는 임의로 결정되고 히든 레이어와 출력 레이어 사이의 가중치는 오로지 한번만 연산된다. 이 논문에서는 두 알고리즘을 장점을 결합하는 방법을 제안한다. 다른 종류의 신경망의 학습 알고리즘을 결합하기 위해 Orthogonal Bipolar Vector(OBV)를 적용하여 CNNs를 제한된 횟수 동안 학습한 후 ELM으로 학습을 종료한다. 알고리즘의 성능은 MNIST, NORB, CIFAR-10 데이터셋의 분류로 측정한다. 실험 결과는 Conventional CNNs와 제안하는 알고리즘의 Training time과 Recognition rate로 비교한다.
목차
제 1 장 서론 1제 2 장 관련 연구제 1 절 Error Backpropagation 2제 2 절 Extreme Learning Machine 4제 3 절 Convolutional Neural Network 6제 4 절 Orthogonal Bipolar Vector 9제 3 장 실험 및 결과제 1 절 실험 이미지 데이터 11제 2 절 이미지 분류 실험 14제 4 장 결론 15참고문헌 17Abstract 20
최근 본 자료
댓글(0)
0