최근 인공지능 연구가 정부, 기업, 문화, 교육 등 사회 전반 에서 활발히 진행됨에 따라 정부와 많은 기업에서 빅데이타를 이용한 인공지능 이미지 인식 및 영상 인식 등을 이용한 다양한 형태의 기술과 서비스들을 제공 하고 있다. 그중 인공지능을 활용한 다양한 기술들이 등장하고 있고, 이러한 기술들은 더욱 발전된 서비스를 제공하고 있다. 인공지능을 활용한 모든 기술들은 높은 정확도와 신뢰도를 요구하고, 이에 따라 신속하고 정확성을 높이기 위한 많은 연구가 개발되고 있다. 그러나 기존의 이미지 관련 ...
최근 인공지능 연구가 정부, 기업, 문화, 교육 등 사회 전반 에서 활발히 진행됨에 따라 정부와 많은 기업에서 빅데이타를 이용한 인공지능 이미지 인식 및 영상 인식 등을 이용한 다양한 형태의 기술과 서비스들을 제공 하고 있다. 그중 인공지능을 활용한 다양한 기술들이 등장하고 있고, 이러한 기술들은 더욱 발전된 서비스를 제공하고 있다. 인공지능을 활용한 모든 기술들은 높은 정확도와 신뢰도를 요구하고, 이에 따라 신속하고 정확성을 높이기 위한 많은 연구가 개발되고 있다. 그러나 기존의 이미지 관련 딥러닝 연구 방법들은 특징 확인 및 조합 기반의 알고리즘을 통해 수행되었으나, 정확도와 신뢰도의 한계가 있었다. 이 방법들은 배경 제거 및 영상이미지를 평면화 시키는 과정에서 공간 정보의 손실로 인해 인공 신경망이 특징을 추출 하고 학습함에 있어 비효율 적이고 정확도와 신뢰도를 높이는데 한계가 있다. 본 연구에서는 최근에 많이 활용되고 있는 신경망 모델 기반의 딥 러닝 아키텍처를 개선하여 학습의 효율성과 정확도를 향상시킴으로써 영상 이미지 특징 추출 및 학습을 개선할 수 있는 방법을 연구하고 실험결과를 제시하였다. 본 연구에서 적용한 딥 러닝 알고리즘은 최근 성능과 정확도에서 가장 뛰어난 DenseNet 신경망을 기반으로 하여 이의 구조를 학습 성능의 향상에 초점을 두고 개선하였다. 실험 결과, 데이터를 학습시키는 속도와 정확도 모두 기존 DenseNet 아키텍처 보다 향상 되었으며, 이는 같은 시간 내에 기존의 방식보다 더 많은 영상이미지를 진단할 수 있음을 의미한다. 클라우드 기반의 자원통합 및 가상화인프라 비즈니스로의 전환이 많이 요구되고 능동적 소프트웨어 기반과 하드웨어 기반의 융합이 절실히 필요한 시점에 있다. 장비 및 소프트웨어 결합을 통해 서비스 모델을 발굴 하고 모바일 보급률이 전 국민의 90%이상임을 감안 할 때 활용 할 수 있는 소프트웨어와 하드웨어 융합사업의 추진이 한계에 도달한 ICT 비즈니스 시장에 새로운 패러다임으로 자리매김 할 수 있을 것으로 보여 진다. 본 연구가 유사도 이미지 영상 영역에서 공통으로 사용할 수 있는 이미지 분석 알고리즘을 이용하여 성능개선의 목적을 달성하고 실용적 수익기반을 창출 할 수 있는 연구로써 활용되길 희망하며 본 연구를 추진한다.
최근 인공지능 연구가 정부, 기업, 문화, 교육 등 사회 전반 에서 활발히 진행됨에 따라 정부와 많은 기업에서 빅데이타를 이용한 인공지능 이미지 인식 및 영상 인식 등을 이용한 다양한 형태의 기술과 서비스들을 제공 하고 있다. 그중 인공지능을 활용한 다양한 기술들이 등장하고 있고, 이러한 기술들은 더욱 발전된 서비스를 제공하고 있다. 인공지능을 활용한 모든 기술들은 높은 정확도와 신뢰도를 요구하고, 이에 따라 신속하고 정확성을 높이기 위한 많은 연구가 개발되고 있다. 그러나 기존의 이미지 관련 딥러닝 연구 방법들은 특징 확인 및 조합 기반의 알고리즘을 통해 수행되었으나, 정확도와 신뢰도의 한계가 있었다. 이 방법들은 배경 제거 및 영상이미지를 평면화 시키는 과정에서 공간 정보의 손실로 인해 인공 신경망이 특징을 추출 하고 학습함에 있어 비효율 적이고 정확도와 신뢰도를 높이는데 한계가 있다. 본 연구에서는 최근에 많이 활용되고 있는 신경망 모델 기반의 딥 러닝 아키텍처를 개선하여 학습의 효율성과 정확도를 향상시킴으로써 영상 이미지 특징 추출 및 학습을 개선할 수 있는 방법을 연구하고 실험결과를 제시하였다. 본 연구에서 적용한 딥 러닝 알고리즘은 최근 성능과 정확도에서 가장 뛰어난 DenseNet 신경망을 기반으로 하여 이의 구조를 학습 성능의 향상에 초점을 두고 개선하였다. 실험 결과, 데이터를 학습시키는 속도와 정확도 모두 기존 DenseNet 아키텍처 보다 향상 되었으며, 이는 같은 시간 내에 기존의 방식보다 더 많은 영상이미지를 진단할 수 있음을 의미한다. 클라우드 기반의 자원통합 및 가상화 인프라 비즈니스로의 전환이 많이 요구되고 능동적 소프트웨어 기반과 하드웨어 기반의 융합이 절실히 필요한 시점에 있다. 장비 및 소프트웨어 결합을 통해 서비스 모델을 발굴 하고 모바일 보급률이 전 국민의 90%이상임을 감안 할 때 활용 할 수 있는 소프트웨어와 하드웨어 융합사업의 추진이 한계에 도달한 ICT 비즈니스 시장에 새로운 패러다임으로 자리매김 할 수 있을 것으로 보여 진다. 본 연구가 유사도 이미지 영상 영역에서 공통으로 사용할 수 있는 이미지 분석 알고리즘을 이용하여 성능개선의 목적을 달성하고 실용적 수익기반을 창출 할 수 있는 연구로써 활용되길 희망하며 본 연구를 추진한다.
Recently, since artificial intelligence research has been actively carried out in society at large such has government, corporation, culture, education and the like, government and many companies have been providing various types of technologies and services using artificial intelligence image recog...
Recently, since artificial intelligence research has been actively carried out in society at large such has government, corporation, culture, education and the like, government and many companies have been providing various types of technologies and services using artificial intelligence image recognition and video recognition, performed by using big data. Among them, various technologies utilizing artificial intelligence are emerging and these technologies provide more advanced services. All technologies utilizing artificial intelligence require high accuracy and reliability, and accordingly, many researches have been developed to improve accuracy and speed. Existing image-related deep learning research methods have been performed through feature confirmation and combination-based algorithms, however, there are limitations in accuracy and reliability. These methods are ineffective when artificial neural networks are extracting and learning features due to loss of spatial information in the process of background elimination and flattening video images, and have a limit to increase accuracy and reliability. In this study, methods to improve extraction of video image features and learning the same are researched and experimental results are proposed by improving a deep learning architecture based on a neural network model, which is widely used recently, to promote the efficiency and accuracy of learning. The deep learning algorithm applied in this study is based on DenseNet neural network, which is recently the best in performance and accuracy, and its structure is improved with the focus on improvement of learning performance. Both the speed and accuracy of learning result data of experiment are improved over the existing DenseNet architecture, which means that more video images can be diagnosed within the same given time than existing methods. Now, the transition into cloud-based resource integration and virtual infrastructure business is highly demanding and the combination of active software base and a hardware base is urgently needed. By discovering service models through a combination of equipment and software and considering that mobile supply rate is more than 90% of the whole nation, it is expected to hold the prominent position as a new paradigm in the ICT business market, in which the promotion of utilizable fusion business is reached the limit. This study proceeds with hope that it can be utilized for achieving the purpose of performance improvement and enabling to create a practical earnings foundation by using a similarity-based image analysis algorithm that can be commonly used in the similarity image video area.
Recently, since artificial intelligence research has been actively carried out in society at large such has government, corporation, culture, education and the like, government and many companies have been providing various types of technologies and services using artificial intelligence image recognition and video recognition, performed by using big data. Among them, various technologies utilizing artificial intelligence are emerging and these technologies provide more advanced services. All technologies utilizing artificial intelligence require high accuracy and reliability, and accordingly, many researches have been developed to improve accuracy and speed. Existing image-related deep learning research methods have been performed through feature confirmation and combination-based algorithms, however, there are limitations in accuracy and reliability. These methods are ineffective when artificial neural networks are extracting and learning features due to loss of spatial information in the process of background elimination and flattening video images, and have a limit to increase accuracy and reliability. In this study, methods to improve extraction of video image features and learning the same are researched and experimental results are proposed by improving a deep learning architecture based on a neural network model, which is widely used recently, to promote the efficiency and accuracy of learning. The deep learning algorithm applied in this study is based on DenseNet neural network, which is recently the best in performance and accuracy, and its structure is improved with the focus on improvement of learning performance. Both the speed and accuracy of learning result data of experiment are improved over the existing DenseNet architecture, which means that more video images can be diagnosed within the same given time than existing methods. Now, the transition into cloud-based resource integration and virtual infrastructure business is highly demanding and the combination of active software base and a hardware base is urgently needed. By discovering service models through a combination of equipment and software and considering that mobile supply rate is more than 90% of the whole nation, it is expected to hold the prominent position as a new paradigm in the ICT business market, in which the promotion of utilizable fusion business is reached the limit. This study proceeds with hope that it can be utilized for achieving the purpose of performance improvement and enabling to create a practical earnings foundation by using a similarity-based image analysis algorithm that can be commonly used in the similarity image video area.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.