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
- 2019
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (2)
- 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 러닝의 발전과 더불어 컨볼루션 네트워크 기반의 컴퓨터 비전 기술이 각 분야에서 기존 기술의 성능 향상을 이뤄내고 있다. 영상 내 객체 부류를 예측하는 간단한 분류 모델뿐만 아니라 영상 분할, 객체 검출 등 난도가 높은 태스크에 대해서도 뛰어난 결과들이 발표되고 있다. 현재까지 대부분의 실용적 딥 러닝 모델들은 학습에 사용하기 위해 다량의 데이터를 레이블링하는 작업이 요구되는 지도 학습을 기반으로 한다. 특히 영상 분할 모델을 학습하기 위해서는 객체의 부류 정보와 더불어 객체가 존재하는 영역에 대한 레이블 정보가 추가적으로 제공되어야 한다. 그러나 딥 러닝 모델의 학습을 위해서는 많게는 수만 쌍의 데이터가 요구되며, 이러한 데이터를 레이블링하는 것은 매우 비용이 큰 작업이다. 본 논문에서는 이러한 문제를 해결하기 위해 객체 부류 정보만으로 영역 분할에 필요한 객체 경계 정보 추출이 가능한 약 지도 학습 기반의 방법을 제안한다. 기존의 약 지도 학습 기반 모델들이 객체의 전체 영역이 아닌 특정 부위만을 검출하는 한계가 있다. 그러나 본 논문에서는 배타적으로 학습되는 두 개의 분류기를 병렬적으로 배치한 구조의 학습 모델을 사용함으로써 객체의 특징 영역을 더 포괄적으로 인식할 수 있도록 하였다. 제안된 방법은 벤치마킹 데이터 셋인 VOC 2012[1]의 검증 데이터 셋에 대해 성능을 평가하였다.
목차
I. 서론 11.1 연구의 배경 11.2 연구의 목적 5Ⅱ. 관련 연구 62.1 부류 활성화 맵을 활용한 객체검출 방법 62.2 Peak Response Map을 활용한 객체분할 방법 82.3 Fully Convolutional Network(FCN) 9Ⅲ. 배타적 이중 분류기 기반 학습 모델 103.1 기존 방법 검토 103.2 제안하는 방법 개요 103.3 딥 러닝 모델 생성 123.4 영상 분할 방법 16Ⅳ. 실험 및 결과 204.1 실험 구성 204.2 평가지표 정의 214.3 실험 결과 23Ⅴ. 결론 및 고찰 33참 고 문 헌 34
최근 본 자료
댓글(0)
0