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
- 강동중
- 발행연도
- 2018
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (3)
2018
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 딥러닝 기반의 메타 학습을 이용해 적은 양의 학습 데이터만으로 수완부 영상에서 골 성숙도를 분류하는 방법을 제안한다. 일반적으로 딥러닝을 이용한 분류에는 수만에서 수십만의 데이터가 필요하지만 실제 적용하고자 하는 문제에서는 이러한 데이터 셋을 확보하지 못하는 경우가 많다. 일반적으로 학습 데이터 부족 문제는 전이 학습을 통해 해결한다. 전이 학습이란 일반적인 영상을 대량으로 포함하는 큰 데이터 셋으로 사전에 학습된 모델을 사용하는 방법이다. 하지만 전이학습은 새로운 데이터에 대해서 학습을 반복해야 하며 일반화 능력이 떨어지는 과적합이 발생하여 성능은 더욱 저하될 수 있다. 또한 수완부 X-ray영상과 같은 의료 영상은 환자의 개인정보 보호 등으로 인해 확보하기 어렵다. 뿐만 아니라 분류가 라벨링 된 데이터를 얻기 위해서는 전문 인력과 시간이 소요된다. 따라서 본 논문에서는 다양한 학습 과제에 대해 모델을 사전 훈련하여 소량의 새로운 데이터만으로도 분류 가능한 메타 학습을 이용한다. 먼저 다양한 학습 과제로 이루어진 별도의 데이터 셋을 사용하여 메타 모델을 학습한다. 그리고 수완부의 방사선 영상 865장으로 구성된 골 성숙도 데이터를 사용하여 골 성숙도를 분류하는 네트워크를 학습한다. 이때 학습은 다섯 부류의 골 성숙도를 분류하는 것이며 각 부류 당 20장의 학습 데이터만을 사용한다. 이후 동일한 개수의 학습 데이터 셋을 사용하여 기존의 Base Learning 알고리즘만을 이용한 분류 결과와 메타 학습을 이용한 결과를 비교 실험한다.
목차
Ⅰ. 서론 11. 연구 배경 12. 연구 목적 및 내용 2Ⅱ. 기존 연구 51. 심층 메타 학습 52. 기존 의료 영상 인식 방법 5Ⅲ. 메타학습을 이용한 골 성숙도 판별 시스템 71. 컨볼루션 신경망 71) 컨볼루션 층(Convolution layer) 82) 풀링 층(Polling layer) 103) 완전 연결 층(Fully connected layer) 114) 배치 정규화(Batch Normalization) 122. 심층 메타학습 133. 골 성숙도 판별 시스템 15Ⅳ. 실험 181. 데이터 구성 181) 메타 데이터 셋 구성 182) 수완부 데이터 셋 구성 192. 네트워크 및 실험 구성 201) Pre-trained 메타 학습 222) scratch 메타 학습 233. 골 성숙도 판별 시스템 234. 실험 결과 분석 25Ⅴ. 결론 28참고 문헌 29Abstract 32
최근 본 자료
댓글(0)
0