본 논문에서는 이미지 인식 및 분류에 널리 이용되는 CNN (convolutional neural network)을 이용하여 심층 학습알고리즘으로 이미지 컨텐츠를 분류한다. CNN은 이미 높은 정확도와 뛰어난 분류 성능을 가지고 있다. 그러나 기존의 신경 회로망의 overfitting 및 gradient vanishing 문제와 같은 단점은 여전히 높은 ...
본 논문에서는 이미지 인식 및 분류에 널리 이용되는 CNN (convolutional neural network)을 이용하여 심층 학습알고리즘으로 이미지 컨텐츠를 분류한다. CNN은 이미 높은 정확도와 뛰어난 분류 성능을 가지고 있다. 그러나 기존의 신경 회로망의 overfitting 및 gradient vanishing 문제와 같은 단점은 여전히 높은 컴퓨팅 파워와 더 깊은 층의 필요성과 함께 남아 있습니다. 이 과부하로 인해 학습 속도는 이미지의 크기에 따라 느려진다. 따라서 우리는 CNN의 상세한 분석과 실험을 통해 CNN의 장점과 단점을 확인했다. 이 논문에서 CNN은 최근의 높은 정확도 논문의 성과에 근접한 결과를 제공하기 위해 심층적이지 않도록 설계하였다. 여섯 개의 깊은 convolution layer와 세 개의 pooling layer가 쌓여있고, fully connected layer에는 두 개의 hidden layer가 있다. 이렇게 설계된 CNN은 CIFAR-10, CIFAR-100 및 Caltech 101과 같은 벤치마크 데이터베이스로 테스트하였다. 또한 기존의 convolution layer, pooling layer 및 수많은 필터와 함께 dropout과 batch normalization 알고리즘이 추가로 사용하였다. 결과는 매우 깊은 구조 없이 CNN이 높은 정확도를 제공 할 수 있음을 확인시켜주었다. 마지막으로 우리는 R-CNN과 DCGAN 알고리즘을 통해 CNN의 미래 방향을 논의했다.
본 논문에서는 이미지 인식 및 분류에 널리 이용되는 CNN (convolutional neural network)을 이용하여 심층 학습 알고리즘으로 이미지 컨텐츠를 분류한다. CNN은 이미 높은 정확도와 뛰어난 분류 성능을 가지고 있다. 그러나 기존의 신경 회로망의 overfitting 및 gradient vanishing 문제와 같은 단점은 여전히 높은 컴퓨팅 파워와 더 깊은 층의 필요성과 함께 남아 있습니다. 이 과부하로 인해 학습 속도는 이미지의 크기에 따라 느려진다. 따라서 우리는 CNN의 상세한 분석과 실험을 통해 CNN의 장점과 단점을 확인했다. 이 논문에서 CNN은 최근의 높은 정확도 논문의 성과에 근접한 결과를 제공하기 위해 심층적이지 않도록 설계하였다. 여섯 개의 깊은 convolution layer와 세 개의 pooling layer가 쌓여있고, fully connected layer에는 두 개의 hidden layer가 있다. 이렇게 설계된 CNN은 CIFAR-10, CIFAR-100 및 Caltech 101과 같은 벤치마크 데이터베이스로 테스트하였다. 또한 기존의 convolution layer, pooling layer 및 수많은 필터와 함께 dropout과 batch normalization 알고리즘이 추가로 사용하였다. 결과는 매우 깊은 구조 없이 CNN이 높은 정확도를 제공 할 수 있음을 확인시켜주었다. 마지막으로 우리는 R-CNN과 DCGAN 알고리즘을 통해 CNN의 미래 방향을 논의했다.
In this paper, a CNN (convolutional neural network), which is popular in image recognition and classification, is used to classify image contents with deep learning algorithm. CNNs have already high accuracy and outstanding performance in classification. However, disadvantages such as over-fitting a...
In this paper, a CNN (convolutional neural network), which is popular in image recognition and classification, is used to classify image contents with deep learning algorithm. CNNs have already high accuracy and outstanding performance in classification. However, disadvantages such as over-fitting and gradient vanishing problems of existing neural networks, still remain, along with the necessity of higher computing power and deeper layers. Due to this overload, the speed of learning slows down depending on how large the size of the image is. Therefore, we have confirmed the advantages and disadvantages of CNN through detailed analyses and experiments of CNN. In this thesis, a CNN is designed not to be very deep, to give results that are close to the performances of recent high-accuracy papers. Six deep convolutional layers and three pooling layers are stacked, and fully connected layers have two hidden layers. Now, the designed CNN has been tested with benchmark databases such as CIFAR-10, CIFAR-100 and Caltech 101. In addition, dropout and batch normalization algorithms were additionally used with the existing convolution layer, pooling layer and numerous filters. The result confirmed that, even without a very deep structure, this CNN can give high accuracy. Finally, we discussed the future direction of CNN through R-CNN and DCGAN algorithm.
In this paper, a CNN (convolutional neural network), which is popular in image recognition and classification, is used to classify image contents with deep learning algorithm. CNNs have already high accuracy and outstanding performance in classification. However, disadvantages such as over-fitting and gradient vanishing problems of existing neural networks, still remain, along with the necessity of higher computing power and deeper layers. Due to this overload, the speed of learning slows down depending on how large the size of the image is. Therefore, we have confirmed the advantages and disadvantages of CNN through detailed analyses and experiments of CNN. In this thesis, a CNN is designed not to be very deep, to give results that are close to the performances of recent high-accuracy papers. Six deep convolutional layers and three pooling layers are stacked, and fully connected layers have two hidden layers. Now, the designed CNN has been tested with benchmark databases such as CIFAR-10, CIFAR-100 and Caltech 101. In addition, dropout and batch normalization algorithms were additionally used with the existing convolution layer, pooling layer and numerous filters. The result confirmed that, even without a very deep structure, this CNN can give high accuracy. Finally, we discussed the future direction of CNN through R-CNN and DCGAN algorithm.
주제어
#Convolutional Neural Network Overfitting Gradient Vanishing Dropout Batch Normalization 이미지 분류
학위논문 정보
저자
이현수
학위수여기관
중앙대학교 대학원
학위구분
국내석사
학과
전자전기공학부 제어 및 시스템전공
지도교수
강훈
발행연도
2018
총페이지
iv, 46장
키워드
Convolutional Neural Network Overfitting Gradient Vanishing Dropout Batch Normalization 이미지 분류
※ AI-Helper는 부적절한 답변을 할 수 있습니다.