본 논문에서는 인공지능학습데이터의 효율적인 활용방법에 관한 연구 를 진행한다. 인공지능에서 학습데이터는 아주 중요한 역할을 하고 있다. 일반적인 영상처리 알고리즘에서는 일정 수준의 데이터 혹은 데이터에 대 한 규정을 통해 알고리즘을 작성 할 수 있고 데이터가 일정 수준 이상이 되면 많은 영향을 주지는 못한다. 인공지능에서 학습 데이터는 많을수록 좋다고 보고 있다. 학습 데이터가 많다면 심지어 정확한 주석을 가지고 있지 않아도 효과적인 결과를 보였다. 이전 연구들에서는 학습 데이터를 주로 확장 하는 방식을 통해 인공지 능의 성능을 향상 시켰다. 대상 이미지의 명암 변경, 이동 등의 데이터 확 장, CycleGAN을 이용한 이미지 스타일 변화를 통한 데이터 확장, 이미지 합성을 통한 데이터 확장 하였다. 데이터를 확장하는 방식 이외에는 DeCAF 같은 연구에서는 미리 학습된 네트워크를 이용하여 학습에 필요 한 데이터의 양을 줄이는 방법으로 연구되었다. 본 연구에서는 학습데이터를 효율적으로 활용방법으로 첫 번째로 학습 되지 않은 카테고리 추정방법을 제안한다. 주로 학습되지 않은 카테고리 추정과 같은 방법은 ...
본 논문에서는 인공지능학습데이터의 효율적인 활용방법에 관한 연구 를 진행한다. 인공지능에서 학습데이터는 아주 중요한 역할을 하고 있다. 일반적인 영상처리 알고리즘에서는 일정 수준의 데이터 혹은 데이터에 대 한 규정을 통해 알고리즘을 작성 할 수 있고 데이터가 일정 수준 이상이 되면 많은 영향을 주지는 못한다. 인공지능에서 학습 데이터는 많을수록 좋다고 보고 있다. 학습 데이터가 많다면 심지어 정확한 주석을 가지고 있지 않아도 효과적인 결과를 보였다. 이전 연구들에서는 학습 데이터를 주로 확장 하는 방식을 통해 인공지 능의 성능을 향상 시켰다. 대상 이미지의 명암 변경, 이동 등의 데이터 확 장, CycleGAN을 이용한 이미지 스타일 변화를 통한 데이터 확장, 이미지 합성을 통한 데이터 확장 하였다. 데이터를 확장하는 방식 이외에는 DeCAF 같은 연구에서는 미리 학습된 네트워크를 이용하여 학습에 필요 한 데이터의 양을 줄이는 방법으로 연구되었다. 본 연구에서는 학습데이터를 효율적으로 활용방법으로 첫 번째로 학습 되지 않은 카테고리 추정방법을 제안한다. 주로 학습되지 않은 카테고리 추정과 같은 방법은 회귀분석을 통한 방법을 통해 문제 해결 방법을 제안 되었다. 본 연구에서는 분류기 모델을 이용하는 방법을 제안한다. 이 연구 는 회귀 분석을 위한 데이터는 균형 잡힌 데이터의 필요하지만 분류기 모 델을 이용한 방식은 데이터의 수집에서 부분적으로 수집하기 때문에 데이 터의 수집에서 유리하고 데이터의 총량에서도 경제적이다. 분류기 모델을 신뢰도 보정을 통하여 보정한 뒤 학습되지 않은 카테고리를 수식적으로 추정하는 방법을 제안한다. 두 번째로 정상 이미지를 통한 불량 검출 방법을 제안한다. 한 클래스의 이미지를 통해 분류를 하는 방식으로 LSGAN을 이용한 방식을 제안한다. LSGAN을 통한 정상이미지를 통한 학습을 진행한 뒤 판별자 모델을 이용하여 정상 이미지와 불량 이미지를 분류 하는 방식을 제안한다. 실제 현장에서 정상 제품에 비해 불량 제품 을 데이터를 얻기 어렵고 정상 제품을 통하여 불량 이미지를 추출하는 방 식은 데이터를 비교적 쉽게 확보 할 수 있게 한다. 불량 데이터를 사용하 지 않음으로 데이터의 효율적 사용이 가능하다. 본 연구에서 제안한 알고리즘, 학습되지 않은 카테고리 추정 방법은 컵라면 용기 각도 추정을 통한 실험 결과로 확인하며 정상 이미지를 통해 불량 검출 방법은 기저귀 모델을 통한 실험 결과로 확인한다.
본 논문에서는 인공지능 학습데이터의 효율적인 활용방법에 관한 연구 를 진행한다. 인공지능에서 학습데이터는 아주 중요한 역할을 하고 있다. 일반적인 영상처리 알고리즘에서는 일정 수준의 데이터 혹은 데이터에 대 한 규정을 통해 알고리즘을 작성 할 수 있고 데이터가 일정 수준 이상이 되면 많은 영향을 주지는 못한다. 인공지능에서 학습 데이터는 많을수록 좋다고 보고 있다. 학습 데이터가 많다면 심지어 정확한 주석을 가지고 있지 않아도 효과적인 결과를 보였다. 이전 연구들에서는 학습 데이터를 주로 확장 하는 방식을 통해 인공지 능의 성능을 향상 시켰다. 대상 이미지의 명암 변경, 이동 등의 데이터 확 장, CycleGAN을 이용한 이미지 스타일 변화를 통한 데이터 확장, 이미지 합성을 통한 데이터 확장 하였다. 데이터를 확장하는 방식 이외에는 DeCAF 같은 연구에서는 미리 학습된 네트워크를 이용하여 학습에 필요 한 데이터의 양을 줄이는 방법으로 연구되었다. 본 연구에서는 학습데이터를 효율적으로 활용방법으로 첫 번째로 학습 되지 않은 카테고리 추정방법을 제안한다. 주로 학습되지 않은 카테고리 추정과 같은 방법은 회귀분석을 통한 방법을 통해 문제 해결 방법을 제안 되었다. 본 연구에서는 분류기 모델을 이용하는 방법을 제안한다. 이 연구 는 회귀 분석을 위한 데이터는 균형 잡힌 데이터의 필요하지만 분류기 모 델을 이용한 방식은 데이터의 수집에서 부분적으로 수집하기 때문에 데이 터의 수집에서 유리하고 데이터의 총량에서도 경제적이다. 분류기 모델을 신뢰도 보정을 통하여 보정한 뒤 학습되지 않은 카테고리를 수식적으로 추정하는 방법을 제안한다. 두 번째로 정상 이미지를 통한 불량 검출 방법을 제안한다. 한 클래스의 이미지를 통해 분류를 하는 방식으로 LSGAN을 이용한 방식을 제안한다. LSGAN을 통한 정상이미지를 통한 학습을 진행한 뒤 판별자 모델을 이용하여 정상 이미지와 불량 이미지를 분류 하는 방식을 제안한다. 실제 현장에서 정상 제품에 비해 불량 제품 을 데이터를 얻기 어렵고 정상 제품을 통하여 불량 이미지를 추출하는 방 식은 데이터를 비교적 쉽게 확보 할 수 있게 한다. 불량 데이터를 사용하 지 않음으로 데이터의 효율적 사용이 가능하다. 본 연구에서 제안한 알고리즘, 학습되지 않은 카테고리 추정 방법은 컵라면 용기 각도 추정을 통한 실험 결과로 확인하며 정상 이미지를 통해 불량 검출 방법은 기저귀 모델을 통한 실험 결과로 확인한다.
In this paper, we study on the efficient use of artificial intelligence learning data. Data from the study of artificial intelligence has a very important role. In general image processing algorithms can be created by data spec or a certain level of data. If the data is above a certa...
In this paper, we study on the efficient use of artificial intelligence learning data. Data from the study of artificial intelligence has a very important role. In general image processing algorithms can be created by data spec or a certain level of data. If the data is above a certain level, it does not have much effect. In artificial intelligence, the more learning data, the better. If there is a lot of learning data, it is effective even without accurate annotations. In previous studies, mainly through the way that extends the learning data improved the performance of artificial intelligence. Data expand such as changing the contrast of the target image, moving the image, extending the data by changing the image style using CycleGAN, and image synthesis. In addition to the method of extending data, DeCAF has been studied as a method of reducing the amount of data required for learning using a pre-learned network. First, we propose a method of category estimation that is not learned. The proposed method is mainly solving on regression analysis. Propose a method using the classifier model. This study is advantageous in collecting data and is also economical in the total amount of data because the data for regression analysis requires balanced data but the method using classifier model is partially collected. We propose a method for estimating the category that has not been learned using classifier model through confidence calibration. Second, we propose a defect detection method using normal images. We propose a method using LSGAN by classifying through a class image. After learning through normal image through LSGAN, we propose a method to classify normal image and bad image using discriminator model. It is difficult to obtain data on the defective product in comparison with the normal product in the field. In this paper, a method for estimating the category that has not been learned confirmed by the experimental results through the container angle estimation. Bad detection method through normal image confirmed by the experiment result through the diaper model.
In this paper, we study on the efficient use of artificial intelligence learning data. Data from the study of artificial intelligence has a very important role. In general image processing algorithms can be created by data spec or a certain level of data. If the data is above a certain level, it does not have much effect. In artificial intelligence, the more learning data, the better. If there is a lot of learning data, it is effective even without accurate annotations. In previous studies, mainly through the way that extends the learning data improved the performance of artificial intelligence. Data expand such as changing the contrast of the target image, moving the image, extending the data by changing the image style using CycleGAN, and image synthesis. In addition to the method of extending data, DeCAF has been studied as a method of reducing the amount of data required for learning using a pre-learned network. First, we propose a method of category estimation that is not learned. The proposed method is mainly solving on regression analysis. Propose a method using the classifier model. This study is advantageous in collecting data and is also economical in the total amount of data because the data for regression analysis requires balanced data but the method using classifier model is partially collected. We propose a method for estimating the category that has not been learned using classifier model through confidence calibration. Second, we propose a defect detection method using normal images. We propose a method using LSGAN by classifying through a class image. After learning through normal image through LSGAN, we propose a method to classify normal image and bad image using discriminator model. It is difficult to obtain data on the defective product in comparison with the normal product in the field. In this paper, a method for estimating the category that has not been learned confirmed by the experimental results through the container angle estimation. Bad detection method through normal image confirmed by the experiment result through the diaper model.
주제어
#Image Classification Confidence Calibration GAN Data Argument one class learning
학위논문 정보
저자
지상엽
학위수여기관
한국기술교육대학교 대학원
학위구분
국내석사
학과
컴퓨터공학과 컴퓨터공학전공
지도교수
조재수
발행연도
2019
총페이지
60
키워드
Image Classification Confidence Calibration GAN Data Argument one class learning
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.