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
- 배지훈
- 발행연도
- 2023
- 저작권
- 대구가톨릭대학교 논문은 저작권에 의해 보호받습니다.
이용수8
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
신경망을 기반으로 하는 딥러닝 기술은 객체 인식, 분류, 식별 등의 분야에서 가장 많이 사용되고 있는 대표적인 기술이지만 대량의 데이터가 필요하기 때문에 군사 분야와 같이 데이터 획득에 제한이 있는 경우 적용하는 것에 제약이 따른다. 이에 소량의 데이터를 기반으로 보다 우수한 성능을 낼 수 있는 방법들에 대한 연구들이 활발하게 진행되고 있다. 우리 군에서 운용되고 있는 지상무기체계는 임무에 따라 다양한 형태와 장비들로 구성되어 있다. 가장 대표적인 지상무기체계로는 적의 기갑부대와 최전방에서 전투를 수행하는 전차와 보병 수송 및 전투 지원을 수행하는 장갑차가 있다. 전차와 장갑차 모두 피아식별, 표적 탐지, 전장 환경을 확인하기 위해서는 대부분 육안으로 확인이 이루어지고 있다. 이에 딥러닝 기반 기술이 적용된 식별의 경우 높은 식별 정확도가 요구되고 있다. 본 논문에서는 소규모 데이터를 이용하여 분류 정확도를 높이기 위한 대표적인 방법으로 사전학습 완료된 모델 기반으로 전이학습을 수행하여 도출된 각 모델들의 예측 값의 평균을 구하는 앙상블 기법을 적용하여 식별 정확도 향상을 확인한 결과 InceptionV3와 DenseNet121 2개 이종모델 앙상블 조합만으로도 분류 정확도 98.5%룰 나타낼 수 있는 것을 확인할 수 있었다. 다만, 최적의 앙상블 모델 조합을 찾기 위한 많은 시간과 노력이 필요하고, 앙상블을 수행하여 얻어진 예측 결과에 대하여 성능 제한이 있으며, 성능 불균형 모델에 대한 앙상블 효과를 얻기 어렵다는 제약사항이 있었다. 이에 성능 불균형 모델의 가중치 비율을 재분배하여 이를 극복하였고, 다수 불균형 모델의 경우 확률분포 기반 가중치 재분배를 통해 분류 정확도 향상이 가능함을 확인할 수 있었다. 마지막으로 사전학습 완료된 이종 모델들의 특징을 추출 후 융합하여 최종적으로 완전 연결 층의 하이퍼파라미터를 미세 조정하여 정확도 성능 향상을 효과를 얻는 이종 모델 특징 융합 기법을 제안하였다. 이를 통해 전이학습 기반으로 이종 모델 간 특징 융합을 통한 분류 정확도 성능 향상으로 상기에서 기술한 기존 앙상블 기법의 제약사항들을 극복 가능함을 실험적으로 관찰할 수 있었다.
목차
Ⅰ. 서론 11.1. 연구 배경 및 필요성 11.2 연구개요 및 목표 2Ⅱ. 관련 연구 42.1 학습데이터 수집 42.2 사전 학습 모델 선정 52.3 전이학습 및 최적화 6Ⅲ. 전이학습 기반 딥러닝 모델 설계 103.1 앙상블 기법 103.2 가중치 재분배 앙상블 기법 123.2.1 가중치 비율 재분배 133.2.2 확률분포 기반 가중치 재분배 143.3 전이학습 기반 특징 융합 모델 15Ⅳ. 실험 결과 및 분석 204.1 앙상블 기법 204.1.1 동종모델 앙상블 실험결과 204.1.2 이종모델 앙상블 실험결과 224.1.3 앙상블 최종 분석 294.2 가중치 재분배 앙상블 기법 314.2.1 가중치 비율 재분배 실험결과 314.2.2 확률분포 기반 가중치 재분배 실험결과 324.3 전이학습 기반 특징 융합 모델 324.3.1 특징 융합 모델 실험결과 324.3.2 앙상블 기법과 특징 융합 모델 비교 분석 41Ⅴ. 결론 43참고문헌 44
최근 본 자료
댓글(0)
0