초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문은 컨벌루셔널 뉴럴 네트워크(CNN)와 한글 문자의 특징을 추출할 수 있는 알고리즘을 사용하여 필기체 한글 인식 성능을 개선할 방법을 제안한다. 한글 학습을 위한 학습 데이터를 제작하기 위해 세선화, 회전, HOG와 같은 알고리즘을 사용하여 한글 문자 영상의 특징을 추출한다. 학습 데이터를 제작한 후, 두 종류의 CNN 구조를 설계하고 KCR-AlexNet과 KCR-GoogLeNet으로 명명한다. 두 CNN 구조 모두 학습 데이터에서 97% 이상의 ...

본 논문은 컨벌루셔널 뉴럴 네트워크(CNN)와 한글 문자의 특징을 추출할 수 있는 알고리즘을 사용하여 필기체 한글 인식 성능을 개선할 방법을 제안한다. 한글 학습을 위한 학습 데이터를 제작하기 위해 세선화, 회전, HOG와 같은 알고리즘을 사용하여 한글 문자 영상의 특징을 추출한다. 학습 데이터를 제작한 후, 두 종류의 CNN 구조를 설계하고 KCR-AlexNet과 KCR-GoogLeNet으로 명명한다. 두 CNN 구조 모두 학습 데이터에서 97% 이상의 학습 정확도를 보였다. 또한, 본 논문에서는 학습 데이터에 사용되지 않은 새로운 1,640개의 필기체 한글 테스트 데이터를 구성하였다. 테스트 데이터는 학습이 완료된 CNN의 테스트 정확도를 확인하기 위해 사용된다. 실험의 객관성을 보장하기 위해 테스트 정확도를 상용 OCR 프로그램들과 비교하였다. 상용 OCR 프로그램들이 최대 30% 내외의 테스트 정확도를 보인 반면, 본 논문에서 제안한 CNN에서는 최대 73%의 테스트 정확도를 보였다. 전체적으로, CNN을 통해 보인 한글 인식 성능은 기존 한글 인식 연구에 사용됐던 은닉 마코프 모델(HMM)보다 우수한 성능을 보였다. 따라서, 다양한 특징 추출 알고리즘이 적용된 학습 데이터를 CNN이 학습한다면 한글뿐 아니라 다른 언어 인식 시스템에도 도움이 될 것이라 예상한다.

주제어