다차원 신경망 및 의사결정 신경망의 딥러닝 학습을 통한 영상 인식 :

이상헌

추천

검색

자료유형: 학위논문

저자정보: 이상헌 (서경대학교, 서경대학교 대학원)

발행연도: 2018

저작권: 서경대학교 논문은 저작권에 의해 보호받습니다.

이용수2

이 논문의 연구 히스토리 (2)

2018

다차원 신경망 및 의사결정 신경망의 딥러닝 학습을 통한 영상인식

이상헌 , 김동연 , 조영완 한국지능시스템학회 논문지 2018.02 학술저널

다차원 신경망 및 의사결정 신경망의 딥러닝 학습을 통한 영상 인식

이상헌 전자컴퓨터공 2018.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 딥 러닝은 컴퓨터 비전 분야에서 가치를 인정 받아 많은 연구가 이루어지고, 컴퓨터 비전 분야 중에서도 영상 인식의 한 방법으로서 실제 비전 분야의 문제 해결을 위해 널리 사용되고 있다.
그 예로 CNN(Convolution Neural Network)이 대표적이다. CNN은 뛰어난 영상인식 성능을 보이기 때문에, CNN에서 파생된 네트워크 구조들이 많은 대학과 연구기관에서 개발되고 영상인식 대회에서 높은 순위를 차지하고 있다. 그러나 학습시간, 실행시간, 메모리 공간 등과 같이 CNN의 학습과 알고리즘 수행에 필요한 물리적, 시간적 공간은 여전히 단점으로 남는다.
따라서 본 논문에서는 간단한 네트워크 구조로 이루어진 다차원 신경망을 설계하여 CNN이 가지는 단점을 보완하고, 재구성 데이터로 학습된 의사결정 신경망을 이용하여 다차원 신경망의 결과에 대해 적절한 판단을 하는 새로운 네트워크 구조를 제안하고 이를 이용한 학습 방법에 대해 설명한다.
주신경망을 적당한 성능을 보이도록 학습시키고 주신경망에서 인식하지 못하는 이미지들에 대해 학습한 보충신경망을 이용하여 다차원 신경망을 구성하고 다차원 신경망의 출력 결과를 의사결정 신경망을 통해 최종 결과를 도출한다. 이때 의사결정 신경망의 입력 데이터로 재구성된 데이터를 사용하고, 재구성 데이터는 다차원 신경망의 출력 결과들과 훈련 데이터를 분석해 얻을 수 있는 추가적인 정보와 함께 구성한다. 추가적인 정보는 훈련 데이터에 대한 주신경망과 보충신경망의 판단결과와 훈련 데이터의 분류 개수에 따른 각각의 분포에서 얻을 수 있는 평균과 분산을 이용한다.
이로써 기존 CNN의 문제로 대두되었던 학습과 수행시간을 줄이고 정확도가 높은 다차원 신경망을 설계할 수 있다. 또한 실험을 통해 CNN과 비슷한 정확도를 갖지만 학습과 테스트에 필요한 시간을 단축하는 것을 확인 할 수 있었다.

Recently, deep learning has been widely recognized as a value in the field of computer vision, and it is widely used for solving problems in vision field as a method of image recognition among computer vision fields.
For example, CNN (Convolution Neural Network) is a typical example. Since CNN has excellent image recognition performance, the network structures derived from CNN are developed by many universities and research institutes and are ranked high in image recognition competitions. However, the physical and temporal space required for CNN learning and algorithm execution, such as learning time, execution time, memory space, etc., remains a disadvantage.
Therefore, in this paper, we design a multidimensional neural network with simple network structure to compensate the disadvantages of CNN. And this paper proposes a new network structure that makes a proper decision about the results of multidimensional neural networks using decision making neural networks learned from reconstruction data and explains the learning method using them.
After learning the main neural network to show proper performance, we construct a multidimensional neural network using main neural networks and complementary neural networks that learn about images that are not recognized by the main neural network, and then derive the final result through the decision neural network.
At this time, the reconstructed data is used as the input data of the decision-making neural network, and the reconstructed data is composed together with additional information that can be obtained by analyzing the output results of the multidimensional neural network and the training data. The additional information uses the mean and variance obtained from the distribution based on the classified results of cases using the main neural network and the supplementary neural network and the number of features which is included in training data.
This enables to design a multidimensional neural network with high accuracy and less learning and execution time, which has become a problem of existing CNN. Experiments have shown that they have similar accuracy to CNN but shorten the learning and testing time.

I. 서 론 1
II. 연구 배경 4
1. 뉴럴 네트워크(Neural Network) 5
2. 역전파 알고리즘(Backpropagation Algorithm) 11
3. Mini-batch 13
4. L2-정규화(L2-Regularization) 14
5. CNN 15
6. MNIST 데이터 세트 18
III. 다차원 신경망 및 의사결정 신경망 설계 20
1. 앙상블 알고리즘(Ensemble Algorithm) 22
2. 다차원 신경망 설계 23
3. 데이터 재생성(Data Reconstruction) 28
4. 의사결정 신경망의 설계 37
5. 제안 신경망의 학습 38
IV. 연구 결과 및 분석 40
1. 실험환경 41
2. 정확도와 학습 시간의 비교 42
V. 결 론 45
참 고 문 헌 47

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)