[논문]인지이론과 ART 신경회로망에 기반한 한글 문자 분류 모델

박중양; 박재흥; 장재혁

문제 정의

본 논문에서는 이러한 부족한 면을 ART 신경회로망 측면에서의 인식 방법에 인간의 정보인지 과정을 응용하여 그 해법을 찾으려 하였다.
패턴의 자모 위치추출은 세선화 과정에서 추출된 골격선으로 부터 실제 패턴의 자모 위치롤추출할 목적으로 템플릿을 사용하였다. 제안된 자모 위치추출 템플릿은 모음 위치 중심이며 각 픽셀의 값을 가변적으로 주어 효과적인 자모 위치를 추출하고자 하였다. 제안된 자모 위치추출 템플릿은 16X16 크기를 가지는 정사각형으로, 먼저 세선화 과정에서 얻어진 골격선을 정형화하여 템플릿에 위치시킨다.
7을 최적의 경계변수 값으로 선택하였다. 그리고, 제안된 시스템의 효율성을 입증하기 .위하여 본래의 ART 신경회로망을 이용하여 얻은 결과와 제안된 시스템의 결과를 비교하는 실험을 하였다.
본 연구에서는 ART 신경회로망의 성능개선과 효율적 인식을 위해 뇌의 부위 중 해마(hippocampus)의 기능을 이용하여 시스템을 구성하였다. ART 신경회로망은 3.

제안 방법

그러나, ART 신경회로망은 증가분류 알고리즘을 사용하여 동작함으로써 하향틀(Top-Down template) 의 변화가 자주 발생하게 되어 한번 학습한 패턴에 대한 새로운 클러스터의 생성이 빈번하게 발생하기 때문에, 그 인식 효율이 떨어진다 따라서 학습 및 인식율의개선을 위해서는 불필요한 클러스터의 생성을 제한할 수 있는 방법이 필요하다. 제안된 시스템은 인간의 정보인지 과정을 신경망에 응용하여, 기 입력되었던 패턴의 재입력 시 새로운 클러스터의 생성을 방지하여 비교적반응속도가 빠른 인식이 가능하도록 구성하였다. 또한 문자인식 효율을 높이기 위해 문자의 유형분류에 중점하고, 각 문자의 특징추출을 위한 위치추출 알고리즘과 문자열 연결요소를 사용하여 문자열의 인식에 적용할 수 있도록 구성하여 제시하였다.
제안된 시스템은 인간의 정보인지 과정을 신경망에 응용하여, 기 입력되었던 패턴의 재입력 시 새로운 클러스터의 생성을 방지하여 비교적반응속도가 빠른 인식이 가능하도록 구성하였다. 또한 문자인식 효율을 높이기 위해 문자의 유형분류에 중점하고, 각 문자의 특징추출을 위한 위치추출 알고리즘과 문자열 연결요소를 사용하여 문자열의 인식에 적용할 수 있도록 구성하여 제시하였다.
이런 문제점을 극복하기 위해 대부분 과분리(over-segmentation) 방법을 이용해서 인식기에서 최적의 것을 선택하도록 구성하지만, 다양한 변형을 모두 만족시킬 수 있는 분리 방법을 찾는 것은 불가능한 일이다. 본 연구에서는 단순히 잘라내는 방법을 사용하였다.
[그림 2]는 제안된 시스템의 구조이다. 제안된 시스템은 비교층(F1)에 24개의 뉴런, 인식층 (F2) 에 6개의 뉴런을 구성하였다.
본 연구에서는 해마(hippocampus)의 기능과 유사하게 작용하는 새로운 층을 ART 신경회로망의 비교층 (F1)과 인식층(F2)사이에 추가하였다.
이 새로운 층을 최초 활성화 패턴크기를 기억하는 층이라 하여 ML(memory-Layer)이라 하였다. 제안된 시스템은 ML에서 현재 학습되는 패턴과 같은 범주에 속하는 최초의 패턴과의 일치도를 비교 후 리세트 시스템이 동작하므로 입력패턴의 크기가 감소하더라도 ML이 최초 활성화된 패턴의 크기를 기억하고 있다.
UT 절에서 언급한 한글 6형식과 특징을 이용하여 유형 분류에 적용할 수 있다. 패턴의 자모 위치추출은 세선화 과정에서 추출된 골격선으로 부터 실제 패턴의 자모 위치롤추출할 목적으로 템플릿을 사용하였다. 제안된 자모 위치추출 템플릿은 모음 위치 중심이며 각 픽셀의 값을 가변적으로 주어 효과적인 자모 위치를 추출하고자 하였다.
제안된 자모 위치추출 템플릿은 모음 위치 중심이며 각 픽셀의 값을 가변적으로 주어 효과적인 자모 위치를 추출하고자 하였다. 제안된 자모 위치추출 템플릿은 16X16 크기를 가지는 정사각형으로, 먼저 세선화 과정에서 얻어진 골격선을 정형화하여 템플릿에 위치시킨다. 이때, 골격선이 위치한 화소는 흥분으로 인식하고 나머지 화소들은 무시한다.
본 연구에서는 모음을 중심으로 한글의 구조적 특성을 이용하여 6형식을 분류하였다. [그림 5]의 템플릿에서, 한글 종모음은 위치 변화가 적으나 종성에 따른 변화가 크고, 횡모음은 위치 변화는 많으나 종성에 따른 크기 변화가 없으므로 횡모음의 긴 보에 가중값을 주었다.
우선, 영상이 입력되면 세선화 과정을 거치고, 한글의 구조적 특징에 의해 제안된 자모 위치추출 템플릿을 이용하여 각 낱자를 평가한다. 이후 문자열 처리를 위해서 화소 수준에서의 연결된 요소를 찾아 정보를 획득한다. 입력된 문자열 영상은 이진 영상이므로 화소값이 특정 임계값 이상인 경우에만 문자가 존재하는 것으로 보고 그렇지 못한 경우에는 문자가 없는 것으로 간주한다.
본 연구에서는 클러스터 수에 대비하여 높은 패턴 분류율과 인식율을 보인 0.7을 최적의 경계변수 값으로 선택하였다. 그리고, 제안된 시스템의 효율성을 입증하기 .
그리고, 제안된 시스템의 효율성을 입증하기 .위하여 본래의 ART 신경회로망을 이용하여 얻은 결과와 제안된 시스템의 결과를 비교하는 실험을 하였다. [표 3]은 본래의 ART 신경회로망과 제안된 시스템의 성능을 비교하여 나타내었다.
먼저 입력 영상의 세선화 과정을 거친 후 추출된 자모 위치와 연결요소 단위를 기준으로 템플릿을 matrix 처리한다. 우선, 영상이 입력되면 세선화 과정을 거치고, 한글의 구조적 특징에 의해 제안된 자모 위치추출 템플릿을 이용하여 각 낱자를 평가한다. 이후 문자열 처리를 위해서 화소 수준에서의 연결된 요소를 찾아 정보를 획득한다.

대상 데이터

본 연구에서는 제안된 시스템 성능을 평가하기 위해 KS-C₅₆01 로 표현될 수 있는 한글 6형식의 각 형식별 글자를 대상으로 총 2350글자를 16x16의 크기로 패턴 한 데이터를 사용하였으며, 이 데이터는 해상도 300dpi 트루 컬러로 스캐닝된 후 이진화 과정을 거친 것이다. [표 1]은 실험 데이터의 형식별 분포이다.
문자열에 대한 실험은 우편번호부에서 임의 선택한 3자로 된 300개의 지명을 사용하였다. 문자열 유형 분류는 낱자 유형분류에서 가장 적절한 경계변수 값으로 선정한 0.

성능/효과

(1) 각 자소자들 중 수평 방향으로 횡모음이 가장 길다. (2) 3, 4, 5, 6 형식 중 횡모음이 가장 왼쪽에서 시작한다.
(2) 3, 4, 5, 6 형식 중 횡모음이 가장 왼쪽에서 시작한다. (3) 각 자소들 중 수직 방향으로 종모음이 가장 길다. (4) 1, 2, 5, 6 형식 중 종모음이 가장 위쪽에서 시작한다.
(4) 1, 2, 5, 6 형식 중 종모음이 가장 위쪽에서 시작한다. (5) 종성은 횡모음보다 왼쪽에 오지 않는다.
첫째, 인식기와 상호작용 없이 단순히 잘라내기만 하는 방법. 둘째, 인식기 기반 분리방법 셋째, 총체적인 접근 방법이 있다.
제안된 시스템은 ML에서 현재 학습되는 패턴과 같은 범주에 속하는 최초의 패턴과의 일치도를 비교 후 리세트 시스템이 동작하므로 입력패턴의 크기가 감소하더라도 ML이 최초 활성화된 패턴의 크기를 기억하고 있다. 따라서, 다시 그 노드가 활성화 될 때에는 하향 틀의 변화가 ML을 기준으로 경계인수 범위 내에서만 기능하게 된다.
중요한 요인이다[13]. 본 연구에서 사용한 세선화 알고리즘은 병렬성 구현이 용이하고, 세선화된 결과는 완전히 1화소 두께가 된다. 세선화할 영역은 "1"의 값을 갖고 배경부분은 "0"의 값을 가진다.
따라서 클러스터의 수가 너무 많으면 인식시간과 오인식율이 증가하게 된다. 실험결과, 클러스터 생성이 평균 3.0개와 22.1개 줄었음을 알 수 있다.
7을 사용하였으며 총 300개의 지명 문자열 영상 중 3자의 지명을 모두 유형분류에 성공한 것만을 분류에 성공한 것으로 간주하였다. 총 234개 지명의 단어 유형 분류에 성공하여 78%의 문자열 분류 성능을 나타내었다.
3절에 언급한 문제점 등 때문에 타 신경망에 비해 인식 분야에 비교적 덜 사용되었다[3]. 그러나, 실험 결과 제안된 시스템은 패턴분류 및 인식에도 향상된 성능을 보였음을 알 수 있다.
7일 때가 가장 높은 유형 분류율과 인식율을 나타내었다. 또한 [표 3]에는 제안된 시스템의 성능을 본래의 ART 신경회로망과 비교하여, ART 신경회로망의 성능이 개선되었음을 보였다. 패턴 분류율과 인식율은 입력패턴에 대해 97.
또한 [표 3]에는 제안된 시스템의 성능을 본래의 ART 신경회로망과 비교하여, ART 신경회로망의 성능이 개선되었음을 보였다. 패턴 분류율과 인식율은 입력패턴에 대해 97.7% 와 95.9%로 나타나 제안된 시스템의 효용성을 입증하였다. [표 4]에서는 제안된 시스템과 본래의 ART 신경회로망의 평균 클러스터 생성 수를 비교하였다.
[표 4]에서는 제안된 시스템과 본래의 ART 신경회로망의 평균 클러스터 생성 수를 비교하였다. 그 결과 클러스터 생성이 각 평균 3.0개와 22.1 개 줄었음을 알 수 있다. 그러나, 제안된 시스템은 낱자에 대해서는 상당히 높은 성능을 보였으나, 단어기반 문자열 분류는 78%의 성능을 보여 더 나은 문자열 인식을 위해서는 단어의 분리와 문자간 간격인식, 문자간 간섭 해결, 문자열 통합에 더 많은 연구가 이루어져야 할 것이다.
실험결과, 성능이 각 2.9%와 4.2% 개선되었음을 알 수 있다.

후속연구

특징적 유형분류가 필요하다[13]. 단순한 정합만을 이용하는 것이 아니라 특징적 유형분류가 이루어진다면 어떠한 유형의 문자에도 그 응용이 이루어질 수 있으며 응용 분야의 확대에도 큰 효과가 있을 것이다. UT 절에서 언급한 한글 6형식과 특징을 이용하여 유형 분류에 적용할 수 있다.
1 개 줄었음을 알 수 있다. 그러나, 제안된 시스템은 낱자에 대해서는 상당히 높은 성능을 보였으나, 단어기반 문자열 분류는 78%의 성능을 보여 더 나은 문자열 인식을 위해서는 단어의 분리와 문자간 간격인식, 문자간 간섭 해결, 문자열 통합에 더 많은 연구가 이루어져야 할 것이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 인지이론과 ART 신경회로망에 기반한 한글 문자 분류 모델
Hangeul Character Classification Model Based on Cognitive Theory and ART Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 인지이론과 ART 신경회로망에 기반한 한글 문자 분류 모델 Hangeul Character Classification Model Based on Cognitive Theory and ART Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

박중양 (25) 박재흥 (31) 장재혁 (1)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 인지이론과 ART 신경회로망에 기반한 한글 문자 분류 모델
Hangeul Character Classification Model Based on Cognitive Theory and ART Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

활용도 Top5 논문