딥러닝은 최근 사람과 바둑 대결을 한 알파고, IoT 시스템, 페이스북, 구글 등 인공지능(AI)가 화제가 되면서 각광받는 분야 중 하나이다. 또한 컴퓨터 비전 및 반도체 등 많은 분야에서 적용가능하며, 그 중 이미지 분류는 ADAS, 드론 카메라 이미지, 날씨 이미지 등 이미지 ...
딥러닝은 최근 사람과 바둑 대결을 한 알파고, IoT 시스템, 페이스북, 구글 등 인공지능(AI)가 화제가 되면서 각광받는 분야 중 하나이다. 또한 컴퓨터 비전 및 반도체 등 많은 분야에서 적용가능하며, 그 중 이미지 분류는 ADAS, 드론 카메라 이미지, 날씨 이미지 등 이미지 전처리 및 객체 인식에서 알고리즘 적용하기 전에 이미지를 분류하여 처리 및 인식에서 더 나은 결과를 도출할 수 있도록 도와준다.
본 논문에서는 딥러닝 모델 중 Alexnet[2]과 Resnet[6]을 사용 후, Multi class SVM(Support Vector Machine)[7]을 이용하여, 데이터 세트에 있는 이미지 분류기술을 제안한다. 사용 된 데이터 세트로는 weather database[5]와 GRAZ_02[9], desnowNet: Context-Aware Deep Network for Snow Removal[11], D-Hazy dataset[10]을 이용하였으며, 트레이닝과 테스트 모두 데이터 세트에 포함되어 있는 이미지를 사용하였다. 결과는 Weather database[5]에서 alexnet-MCSVM을 사용한 이미지 분류 정확도 결과는 sunny 86%, cloudy 75% 이며, resnet-MCSVM을 사용한 이미지 분류 정확도 결과는 sunny 92%, cloudy 88% 이다. GRAZ_02 데이터 세트에서 EER(Equal Error Rate로 FRR(False Rejection Rate)오 인식률과 FAR(False Acceptance Rate)오 거부률이 만나는 지점) 결과는 bike 15.92%, person 24.67%, cars 16.27%로 bike 59.78%, person 50.53%, cars 59.13% 차이가 나며, 참고문헌[8]에 비해 총 평균 56.4% 낮아졌다. DesnowNet: Context-Aware Deep Network for Snow Removal[11]에선 raining, test, realistic 총 3가지의 눈 이미지 데이터에서 realistic snowy 이미지만을 사용하였으며, D-Hazy dataset[10]에서는 middlebury_GT, muddlebury_Hazy, NYU_GT, NYU_Hazy 총 4가지의 이미지 데이터에서 NYU_Hazy 1500장만 사용하였다. Weather database[5]와 DesnowNet: Context-Aware Deep Network for Snow Removal[11], D-Hazy dataset[10]를 포함하여, 총 4가지의 sunny, cloudy, snowy, hazy를 이미지 분류를 하였다. 이미지 분류 정확도 결과는 sunny 97%, cloudy 100%, hazy 96%, snowy 95% 이다.
딥러닝은 최근 사람과 바둑 대결을 한 알파고, IoT 시스템, 페이스북, 구글 등 인공지능(AI)가 화제가 되면서 각광받는 분야 중 하나이다. 또한 컴퓨터 비전 및 반도체 등 많은 분야에서 적용가능하며, 그 중 이미지 분류는 ADAS, 드론 카메라 이미지, 날씨 이미지 등 이미지 전처리 및 객체 인식에서 알고리즘 적용하기 전에 이미지를 분류하여 처리 및 인식에서 더 나은 결과를 도출할 수 있도록 도와준다.
본 논문에서는 딥러닝 모델 중 Alexnet[2]과 Resnet[6]을 사용 후, Multi class SVM(Support Vector Machine)[7]을 이용하여, 데이터 세트에 있는 이미지 분류기술을 제안한다. 사용 된 데이터 세트로는 weather database[5]와 GRAZ_02[9], desnowNet: Context-Aware Deep Network for Snow Removal[11], D-Hazy dataset[10]을 이용하였으며, 트레이닝과 테스트 모두 데이터 세트에 포함되어 있는 이미지를 사용하였다. 결과는 Weather database[5]에서 alexnet-MCSVM을 사용한 이미지 분류 정확도 결과는 sunny 86%, cloudy 75% 이며, resnet-MCSVM을 사용한 이미지 분류 정확도 결과는 sunny 92%, cloudy 88% 이다. GRAZ_02 데이터 세트에서 EER(Equal Error Rate로 FRR(False Rejection Rate)오 인식률과 FAR(False Acceptance Rate)오 거부률이 만나는 지점) 결과는 bike 15.92%, person 24.67%, cars 16.27%로 bike 59.78%, person 50.53%, cars 59.13% 차이가 나며, 참고문헌[8]에 비해 총 평균 56.4% 낮아졌다. DesnowNet: Context-Aware Deep Network for Snow Removal[11]에선 raining, test, realistic 총 3가지의 눈 이미지 데이터에서 realistic snowy 이미지만을 사용하였으며, D-Hazy dataset[10]에서는 middlebury_GT, muddlebury_Hazy, NYU_GT, NYU_Hazy 총 4가지의 이미지 데이터에서 NYU_Hazy 1500장만 사용하였다. Weather database[5]와 DesnowNet: Context-Aware Deep Network for Snow Removal[11], D-Hazy dataset[10]를 포함하여, 총 4가지의 sunny, cloudy, snowy, hazy를 이미지 분류를 하였다. 이미지 분류 정확도 결과는 sunny 97%, cloudy 100%, hazy 96%, snowy 95% 이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.