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
- 발행연도
- 2017
- 저작권
- 서울대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (4)
2017
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
자동화된 문자 인식기는 우편물 분류의 자동화, 번호판 인식, 전자 메모장 등 다양한 산업 분야에서 그 수요가 기하급수적으로 증가하고 있다. 이와 관련하여 최근 이미지 인식분야에서 뛰어난 성능을 보이는 컨볼루션 인공 신경망(CNN)을 사용한 방법들이 필기체 인식 분야에 적용되고 있다. 이러한 연구들 대부분에서는 높은 인식률을 달성하기 위해 주로 깊은 구조의 CNN을 사용하였다. 하지만 필기체 인식 분야에서는 주로 스마트폰이나 태블릿 PC 등 자원이 제한되어있는 단말기가 주로 사용되므로 모델이 차지하는 메모리와 계산속도 역시 중요하게 고려되어야 한다. 이에 본 논문에서는 학습 변수의 수를 효과적으로 줄이기 위해 인셉션 모듈 기반의 컨볼루션 신경망을 한글 필기체 인식문제에 적용하였다. 또한 일반화 오류를 낮추어 좀 더 높은 인식률을 달성하기 드랍필터 기법을 사용하여 컨볼루션 신경망을 희소한 성질을 가지도록 학습시켰다. 인셉션 모듈은 Imagenet Large Scale Visual Recognition Challenge 2014에서 최고의 인식률을 달성하면서도 기존의 모델에 비해 12배 적은 파라미터를 사용하여 크게 주목받은 GoogLeNet의 핵심 모듈이며, 드랍필터는 최근 널리 사용되는 regularization 기법의 일종인 드랍아웃을 CNN에 적합하게 변화를 준 기법이다. 실험은 우선 CNN에서 드랍필터의 효과를 검증하게 위해 10개 클래스, 총 60,000장의 자연 이미지로 구성된 Canadian Institute for Advanced Research(CIFAR)-10 데이터를 사용하여 드랍아웃을 적용한 모델과 인식률 비교를 수행하였다. 검증 실험을 통해 드랍필터 기법이 CNN에 적용되었을 때 드랍아웃보다 일반화 오류를 낮추는데 더 뛰어남을 확인할 수 있었다. 또한 검증 실험 중 각 은닉 층마다 드랍필터의 효과가 다르다는 것을 발견하고 이에 대한 추가적인 검증 실험을 수행하였다. 이후 드랍필터를 인셉션 모듈에 기반하여 구성된 CNN에 적용한 뒤 한글 필기체 인식을 수행하였다. 실험에 사용한 데이터는 총 520클래스, 260,000 글자의 한글 낱글자로 이루어져 있다. 한글 필기체 인식 실험 결과 제안하는 모델인 드랍필터를 적용한 인셉션 모듈 기반의 CNN이 기존의 LeNet 구조의 CNN에 비해 3배 더 적은 학습변수로도 3.279% 높은 인식률을 달성하였다.
목차
I. 서 론 11. 연구의 필요성 및 목적 12. 연구 문제 5II. 관련 연구 61. 컨볼루션 인공 신경망 61.1. 컨볼루션 연산의 정의 61.2. 컨볼루션 인공 신경망 72. 컨볼루션 신경망을 사용한 한글 필기체 인식 83. 컨볼루션 신경망의 다양한 구조 83.1. Residual Network 구조 93.2. GoogLeNet 구조 104. 인공 신경망의 Regularization 124.1. 다층 퍼셉트론에서의 Regularization 124.2. 컨볼루션 인공 신경망에서의 Regularization 12III. 제안하는 모델 141. 컨볼루션 신경망에서의 드랍아웃 142. 컨볼루션 신경망에서의 드랍필터 173. 드랍필터가 적용된 인셉션 모듈 20IV. 실험 및 필기체 인식 결과 분석 211. 데이터 명세 212. 드랍필터의 효과 분석 233. 필기체 인식 결과 및 분석 284. 기타 논의사항 32V. 결 론 33참고문헌 34영문요약 38
최근 본 자료
댓글(0)
0