딥러닝은 빅데이터를 군집화하거나 분류하는데 있어서 인공지능을 활용하는 방법으로 연구가 활발히 진행되고 있다. 대표적인 딥러닝 모델로는 DNN(Deep Neural Network), CNN(Convolutional Neural Network), ...
딥러닝은 빅데이터를 군집화하거나 분류하는데 있어서 인공지능을 활용하는 방법으로 연구가 활발히 진행되고 있다. 대표적인 딥러닝 모델로는 DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), GAN(Generative Adversarial Network) 등이 있다. 이 중 GAN은 이미지 생성모델로서 생성기 네트워크와 판별기 네트워크로 구성되며 실제 이미지와 유사한 이미지를 생성한다. GAN에 의해 생성된 이미지는 실제 이미지와 유사해야 하므로 생성된 이미지의 손실 오차를 최소화하기 위해 손실함수(loss function)를 사용한다. 그러나 GAN의 손실함수는 이미지를 생성하는 학습을 불안정하게 만들어 이미지의 품질을 떨어뜨린다는 문제점이 있다. 따라서 GAN에서는 안정적인 이미지 생성 학습을 위해 개선된 손실함수가 필요하다. 본 논문에서는 에지 검출(edge detection)에 기반하여 개선된 손실함수를 적용한 eGAN(edge GAN) 모델을 제안한다. eGAN 모델에서의 에지 검출은 생성된 이미지와 실제 이미지의 경계를 검출한다. 검출된 에지와 함께 패널티를 적용함으로써 eGAN 모델은 실제 이미지와 생성 이미지 사이의 오차를 줄여 준다. eGAN 모델의 성능을 평가하기 위해서, 동일한 이미지 데이터 세트에 대해 GAN 모델과 eGAN 모델을 적용하여 생성된 이미지와 실제 이미지 사이의 오차를 비교하였으며, 실험 결과 eGAN 모델이 기존의 GAN 모델보다 성능이 개선되었다고 판단된다.
딥러닝은 빅데이터를 군집화하거나 분류하는데 있어서 인공지능을 활용하는 방법으로 연구가 활발히 진행되고 있다. 대표적인 딥러닝 모델로는 DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), GAN(Generative Adversarial Network) 등이 있다. 이 중 GAN은 이미지 생성모델로서 생성기 네트워크와 판별기 네트워크로 구성되며 실제 이미지와 유사한 이미지를 생성한다. GAN에 의해 생성된 이미지는 실제 이미지와 유사해야 하므로 생성된 이미지의 손실 오차를 최소화하기 위해 손실함수(loss function)를 사용한다. 그러나 GAN의 손실함수는 이미지를 생성하는 학습을 불안정하게 만들어 이미지의 품질을 떨어뜨린다는 문제점이 있다. 따라서 GAN에서는 안정적인 이미지 생성 학습을 위해 개선된 손실함수가 필요하다. 본 논문에서는 에지 검출(edge detection)에 기반하여 개선된 손실함수를 적용한 eGAN(edge GAN) 모델을 제안한다. eGAN 모델에서의 에지 검출은 생성된 이미지와 실제 이미지의 경계를 검출한다. 검출된 에지와 함께 패널티를 적용함으로써 eGAN 모델은 실제 이미지와 생성 이미지 사이의 오차를 줄여 준다. eGAN 모델의 성능을 평가하기 위해서, 동일한 이미지 데이터 세트에 대해 GAN 모델과 eGAN 모델을 적용하여 생성된 이미지와 실제 이미지 사이의 오차를 비교하였으며, 실험 결과 eGAN 모델이 기존의 GAN 모델보다 성능이 개선되었다고 판단된다.
Deep learning is being actively researched as a method of utilizing artificial intelligence to cluster or classify big data. Representative deep learning models include Deep Neural Network (DNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Generic Adversarial Network (GAN...
Deep learning is being actively researched as a method of utilizing artificial intelligence to cluster or classify big data. Representative deep learning models include Deep Neural Network (DNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Generic Adversarial Network (GAN). Among them, GAN is an image generation model, which is composed of a generator network and a discriminator network, and generates an image similar to an actual image. Since the image generated by the GAN should be similar to the actual image, a loss function is used to minimize the loss error of the generated image. However, there is a problem that the loss function of the GAN deteriorates the quality of the image by making the learning to generate the image unstable. Therefore, GAN needs an improved loss function for stable image generation learning. In this paper, we propose an eGAN (edge GAN) model with an improved loss function based on edge detection. Edge detection in the eGAN model detects the boundary between the generated image and the actual image. By applying a penalty with detected edges, the eGAN model reduces the error between the actual and generated images. To evaluate the performance of the eGAN model, The GAN model and the eGAN model were applied to the same image data set, and the error between the generated image and the actual image was compared. Experimental results show that the eGAN model has improved performance over the existing GAN model.
Deep learning is being actively researched as a method of utilizing artificial intelligence to cluster or classify big data. Representative deep learning models include Deep Neural Network (DNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Generic Adversarial Network (GAN). Among them, GAN is an image generation model, which is composed of a generator network and a discriminator network, and generates an image similar to an actual image. Since the image generated by the GAN should be similar to the actual image, a loss function is used to minimize the loss error of the generated image. However, there is a problem that the loss function of the GAN deteriorates the quality of the image by making the learning to generate the image unstable. Therefore, GAN needs an improved loss function for stable image generation learning. In this paper, we propose an eGAN (edge GAN) model with an improved loss function based on edge detection. Edge detection in the eGAN model detects the boundary between the generated image and the actual image. By applying a penalty with detected edges, the eGAN model reduces the error between the actual and generated images. To evaluate the performance of the eGAN model, The GAN model and the eGAN model were applied to the same image data set, and the error between the generated image and the actual image was compared. Experimental results show that the eGAN model has improved performance over the existing GAN model.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.