최근 많은 컴퓨터 비전 및 기계 학습 연구 그룹은 나뭇잎 인식 문제에 관심을 기울이고 있다. 관련 문헌 조사를 통해 나뭇잎 영상 획득은 강한 제약 조건 또는 무 제약 조건으로 이루어진다는 것을 확인했다. 강한 제약 조건은 균일한 배경(흰 종이, 스캔)을 가지는 나뭇잎 영상 수집 조건이고, 무 제약 조건은 배경에 대한 조건이 없는 것이다. 전자는 사용자 편의성이 낮지만 높은 성능을 얻을 수 있고, 후자는 사용자 편의성은 높지만 높은 성능을 얻기가 어렵다. 본 논문은 두 극단적인 두가지 제약 조건의 중간에 위치한 약한 제약 조건을 새로 제안하고 약한 제약 조건에 따른 ...
최근 많은 컴퓨터 비전 및 기계 학습 연구 그룹은 나뭇잎 인식 문제에 관심을 기울이고 있다. 관련 문헌 조사를 통해 나뭇잎 영상 획득은 강한 제약 조건 또는 무 제약 조건으로 이루어진다는 것을 확인했다. 강한 제약 조건은 균일한 배경(흰 종이, 스캔)을 가지는 나뭇잎 영상 수집 조건이고, 무 제약 조건은 배경에 대한 조건이 없는 것이다. 전자는 사용자 편의성이 낮지만 높은 성능을 얻을 수 있고, 후자는 사용자 편의성은 높지만 높은 성능을 얻기가 어렵다. 본 논문은 두 극단적인 두가지 제약 조건의 중간에 위치한 약한 제약 조건을 새로 제안하고 약한 제약 조건에 따른 사용자 인터페이스의 효용을 증명한다. 약한 제약 조건은 나뭇잎을 카메라 화면 가운데에 위치시키고 초점을 맞추는 것이다. 약한 제약 조건 하에 하늘, 땅, 흰 배경과 나무에 붙은 채 획득한 나뭇잎 영상을 수집하여 데이터셋을 구축하였다. ImageNet 데이터셋으로 사전 학습 모델과 Convolutional AutoEncoder(CAE)를 이용한 사전 학습 모델을 이용하여 미세 조정하는 실험과 다양한 실험을 하였다. 나뭇잎 인식에 CAE를 이용한 전이 학습은 본 논문이 최초로 제안한 딥 러닝 모델로서, 실험 결과 기존 모델에 비해 성능이 우수함을 확인하였다. CAE 모델로 성능 실험한 결과, 테스트 집합에서는 99.17% 정확도를 얻었고, 사용자 테스트에서는 98.04% 정확도를 얻었다. 일반인들도 나뭇잎 인식을 쉽게 할 수 있도록 안드로이드 기반의 앱 Moip을 출시하였고, Moip 데이터셋을 공개하였다.
최근 많은 컴퓨터 비전 및 기계 학습 연구 그룹은 나뭇잎 인식 문제에 관심을 기울이고 있다. 관련 문헌 조사를 통해 나뭇잎 영상 획득은 강한 제약 조건 또는 무 제약 조건으로 이루어진다는 것을 확인했다. 강한 제약 조건은 균일한 배경(흰 종이, 스캔)을 가지는 나뭇잎 영상 수집 조건이고, 무 제약 조건은 배경에 대한 조건이 없는 것이다. 전자는 사용자 편의성이 낮지만 높은 성능을 얻을 수 있고, 후자는 사용자 편의성은 높지만 높은 성능을 얻기가 어렵다. 본 논문은 두 극단적인 두가지 제약 조건의 중간에 위치한 약한 제약 조건을 새로 제안하고 약한 제약 조건에 따른 사용자 인터페이스의 효용을 증명한다. 약한 제약 조건은 나뭇잎을 카메라 화면 가운데에 위치시키고 초점을 맞추는 것이다. 약한 제약 조건 하에 하늘, 땅, 흰 배경과 나무에 붙은 채 획득한 나뭇잎 영상을 수집하여 데이터셋을 구축하였다. ImageNet 데이터셋으로 사전 학습 모델과 Convolutional AutoEncoder(CAE)를 이용한 사전 학습 모델을 이용하여 미세 조정하는 실험과 다양한 실험을 하였다. 나뭇잎 인식에 CAE를 이용한 전이 학습은 본 논문이 최초로 제안한 딥 러닝 모델로서, 실험 결과 기존 모델에 비해 성능이 우수함을 확인하였다. CAE 모델로 성능 실험한 결과, 테스트 집합에서는 99.17% 정확도를 얻었고, 사용자 테스트에서는 98.04% 정확도를 얻었다. 일반인들도 나뭇잎 인식을 쉽게 할 수 있도록 안드로이드 기반의 앱 Moip을 출시하였고, Moip 데이터셋을 공개하였다.
Recently, many research groups of computer vision and machine learning are paying attention to leaf recognition. Through the literature survey, we have confirmed that there are two types of constraint in the leaf image acquisition process. One is the strong constraint, and it means that when collect...
Recently, many research groups of computer vision and machine learning are paying attention to leaf recognition. Through the literature survey, we have confirmed that there are two types of constraint in the leaf image acquisition process. One is the strong constraint, and it means that when collecting leaf images, the background must be uniform such as white paper, scan. The other one is no constraint, and it is free from background condition. The former is less user-friendly but achieves higher performance, while the latter is more user-friendly, but it is difficult to achieve a high performance. This paper proposes a new way of weak constraint between two extreme constraints and proves the utility of the user interface with weak constraints. A weak constraint is to place the leaves in the center of the camera screen and focus. The dataset was constructed by collecting leaf images obtained from the sky, the ground, the white background and on the trees with weak constraints. We have done various experiments with the pre-trained model using ImageNet dataset or Convolutional AutoEncoder(CAE). In this paper, we propose a new transfer learning using CAE for leaf recognition. As a result, we confirmed that the performance of the proposed scheme is superior to that of the existing model. As a result of performance test with CAE model, we obtained 99.17% accuracy in test set and 98.04% accuracy in user test. We released the Android-based app named Moip and the Moip dataset.
Recently, many research groups of computer vision and machine learning are paying attention to leaf recognition. Through the literature survey, we have confirmed that there are two types of constraint in the leaf image acquisition process. One is the strong constraint, and it means that when collecting leaf images, the background must be uniform such as white paper, scan. The other one is no constraint, and it is free from background condition. The former is less user-friendly but achieves higher performance, while the latter is more user-friendly, but it is difficult to achieve a high performance. This paper proposes a new way of weak constraint between two extreme constraints and proves the utility of the user interface with weak constraints. A weak constraint is to place the leaves in the center of the camera screen and focus. The dataset was constructed by collecting leaf images obtained from the sky, the ground, the white background and on the trees with weak constraints. We have done various experiments with the pre-trained model using ImageNet dataset or Convolutional AutoEncoder(CAE). In this paper, we propose a new transfer learning using CAE for leaf recognition. As a result, we confirmed that the performance of the proposed scheme is superior to that of the existing model. As a result of performance test with CAE model, we obtained 99.17% accuracy in test set and 98.04% accuracy in user test. We released the Android-based app named Moip and the Moip dataset.
주제어
#Leaf recognition deep learning transfer learning fine-tuning convolutional auto encoding 나뭇잎 인식 딥 러닝 전이 학습 미세 조정 컨볼류셔널 오토인코더
학위논문 정보
저자
강은철
학위수여기관
전북대학교 일반대학원
학위구분
국내석사
학과
전자·정보공학부(컴퓨터공학 전공)
지도교수
오일석
발행연도
2018
총페이지
viii, 51 p.
키워드
Leaf recognition deep learning transfer learning fine-tuning convolutional auto encoding 나뭇잎 인식 딥 러닝 전이 학습 미세 조정 컨볼류셔널 오토인코더
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.