선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 인간의 선택적 주의 집중 능력을 기반으로 한 SPM을 제 시 하고 이를 거리 함수에 적용한 새 로 운 패턴 분류 모델을 제안하였다.
제안 방법
- 두 개의 데이터 그룹 각각에 대하여 K-means, Hierarchical Clustering, ART2를 사용하여 입력 패턴을 클러스터링 하였으며, 데이터 그룹 각각의 패턴 개수에 따라 Groupl에서는 50~200개, Group2에서는 100~ 300개의 참조 패턴을 생성하였다. 특히, ART2에서는 참조 패턴 개수를 초기에 설정 할 수 없으므로 vigilance parameter
- 본 연구에서는 인간이 사물 등의 패턴을 인식하는 과정에서 관심을 가지고 있는 영역 (ROI) 에 대하여 선택적으로 주의를 집중하는 사실에 입각하여 이를 패턴 분류에 활용함으로써 보다 정확한 패턴 분류 및 인식을 가능하게 하였다.
- (P) 값을 작은 값에서부터 점차 큰 값으로 증가시키면서 K-means, Hierarchical Clustering 방법과 유사한 클러스터 개수로 참조 클러스터 패턴을 생성하였다. 생성된 참조 클러스터 패턴을 기반으로 SPM를 생성하고 이를 이용하였을 때와 이용하지 않았을 때의 데이터 집합에 대한 인식률의 차이 및 분류 속도를 비교 분석하였다.
- 첫 번째 데이터 그룹(Groupl)은 인쇄체 숫자로써 굴림, 궁서, 돋움, 명조, 바탕, 산세리프, 샘물, 시스템, 신명조, 안상수, 중고딕, 필기, 휴먼옛처), Arial, Courier, Fixdays, Impact, LED, Orbit-B, Symbol, Times New Roman, Verdana 의 22개의 한글 영문 조합 글꼴로 총 220개의 Gray-level 숫자 영상 파일을 기본 데이터로 하였으며, 입력 데이터의 다양한 입력 변형을 포함할 수 있도록 기본 입력 데이터를 위치 이동(4), 경사 왜곡(4), 세선화(1), 중간값 필터 링 (, 1) 좌우 5。, 10。회전(4), 모폴로지 확장, 가로확대축소(2), 세로 확대대 축소(2), 가로세로 확대대 축소(2), 5% Salt&Pepper Noise 추가, Zero-mean Uniformly Distribution Noise를 추가하여 변형한 총 5280개의 변형 데이터를 생성하였으며 이를 15x25 크기로 정규화하였다. 그중 임의로 선택한 1760개의 데이터를 학습에 사용하고 나머지 3520개의 데이터를 인식 테스트를 위해 사용하였다.
대상 데이터
- 첫 번째 데이터 그룹(Groupl)은 인쇄체 숫자로써 굴림, 궁서, 돋움, 명조, 바탕, 산세리프, 샘물, 시스템, 신명조, 안상수, 중고딕, 필기, 휴먼옛처), Arial, Courier, Fixdays, Impact, LED, Orbit-B, Symbol, Times New Roman, Verdana 의 22개의 한글 영문 조합 글꼴로 총 220개의 Gray-level 숫자 영상 파일을 기본 데이터로 하였으며, 입력 데이터의 다양한 입력 변형을 포함할 수 있도록 기본 입력 데이터를 위치 이동(4), 경사 왜곡(4), 세선화(1), 중간값 필터 링 (, 1) 좌우 5。, 10。회전(4), 모폴로지 확장, 가로확대축소(2), 세로 확대대 축소(2), 가로세로 확대대 축소(2), 5% Salt&Pepper Noise 추가, Zero-mean Uniformly Distribution Noise를 추가하여 변형한 총 5280개의 변형 데이터를 생성하였으며 이를 15x25 크기로 정규화하였다. 그중 임의로 선택한 1760개의 데이터를 학습에 사용하고 나머지 3520개의 데이터를 인식 테스트를 위해 사용하였다. 두 번째 데이터 그룹(Group2)은 필기체 숫자로써 미국 NIST(National Institute of Standards and Technology) 데 °1 터 베 이 스를 새롭게 구성하여 훈련 데 이 터와 테스트 데 이 터의 선택이 학습 능력에 미치는 영향을 최소로 한 AT&T 사의 MNIST 데이터베이스[9]를 사용하였다.
- 그중 임의로 선택한 1760개의 데이터를 학습에 사용하고 나머지 3520개의 데이터를 인식 테스트를 위해 사용하였다. 두 번째 데이터 그룹(Group2)은 필기체 숫자로써 미국 NIST(National Institute of Standards and Technology) 데 °1 터 베 이 스를 새롭게 구성하여 훈련 데 이 터와 테스트 데 이 터의 선택이 학습 능력에 미치는 영향을 최소로 한 AT&T 사의 MNIST 데이터베이스[9]를 사용하였다. 이미지 영상은 12x12의 크기로 정규화하였으며, 총 10000개의 이미지 데이터 중 임의로 3329개의 숫자 패턴을 선택하여 학습에 이용하였으며, 나머지 66 기개를 테스트에 사용하였다.
- 본 논문에 사용된 실험 데이터는 인쇄체 숫자와 필기체 숫자 그룹으로 구분하였다.
- 두 번째 데이터 그룹(Group2)은 필기체 숫자로써 미국 NIST(National Institute of Standards and Technology) 데 °1 터 베 이 스를 새롭게 구성하여 훈련 데 이 터와 테스트 데 이 터의 선택이 학습 능력에 미치는 영향을 최소로 한 AT&T 사의 MNIST 데이터베이스[9]를 사용하였다. 이미지 영상은 12x12의 크기로 정규화하였으며, 총 10000개의 이미지 데이터 중 임의로 3329개의 숫자 패턴을 선택하여 학습에 이용하였으며, 나머지 66 기개를 테스트에 사용하였다.
- 제안된 SPM의 유효성을 증명하기 위하여 인쇄체 및 필기체 숫자 데이터베이스를 이용하여 실험하였다. 인쇄체 숫자는 다양한 글꼴을 바탕으로 변형된 5280개의 숫자 이미지를, 필기체 숫자는 MNIST 데이터베이스의 테스트용 숫자 이미지 10000개를 사용하였으며, 이 중 1/3은 학습에 사용하고 나머지 2/3는 테스트에 사용하였다. 실험을 통해 살펴본 결과 SPM을 사용한 패턴 분류 모델은 그렇지 않은 패턴 분류 모델에 비해 분류 속도면에서 추가적인 계산량에 의해 약간의 시간이 더 소요되었으나 인식률에 있어서 참조 클러스터의 개수 및 실험 데이터 성격에 관계없이 이더욱 우 수한 인식 성능을 나타내었으며 평균 16% 정도의 패턴 오류가 감소되었다.
- 제안된 SPM의 유효성을 증명하기 위하여 인쇄체 및 필기체 숫자 데이터베이스를 이용하여 실험하였다. 인쇄체 숫자는 다양한 글꼴을 바탕으로 변형된 5280개의 숫자 이미지를, 필기체 숫자는 MNIST 데이터베이스의 테스트용 숫자 이미지 10000개를 사용하였으며, 이 중 1/3은 학습에 사용하고 나머지 2/3는 테스트에 사용하였다.
데이터처리
- 계층적 클러스터링eN개의 입력패턴이 있을 때 이를 유사한 것끼리 서로 병합(merge)시켜서 원하는 클러스터 개수가 될 때까지 반복하는 방법[5]이다. 여기서 두 개의 클러스터를 병합할 때 클러스터의 참조패턴 벡터의 갱신은 K-means 알고리즘과 같이 각 클러스터 멤버 벡터들의 평균값을 이용한다. 이와 같은 반복 과정을 거치게 되면 입력패턴 집합에서 유사한 패턴들은 병합되고 그렇지 않은 패턴들은 남게 됨으로써 다양한 입력패턴을 대표할 수 있는 참조패턴 집합으로 클러스터 링 되는 장점이 있으나 패턴들 간의 거리 측정 및 병합에 있어 시간이 많이 걸리는 단점이 있다.
이론/모형
- 본 논문에서 사용한 패턴 분류 모델은 K-means, Hierarchical Clustering, ART2 Clustering의 방법을 사용하여 참조 클러스터 패턴들을 클러스터링하였으며, 생성된 참조 패턴들을 기반으로 선택적 지각 맵을 구성하였다. 이 선택적 지각 맵은 참조 패턴들 사이의 차이점이 선택적으로 부각된 SPU(Selective Perception Unit)으로 구성된 자료구조로써 인간이 가지는 선택적 주의 능력을 패턴 분류 모델에 응용한 것이라 할 수 있다.
- 본 연구에서는 참조 패턴을 생성하기 위한 패턴 분류 모델로 K-mean 알고리즘에 의한 클러스터링 기법과 Hierarchical Clustering 기법, ART2에 의한 클러스터 링 기법을 사용하였다.
성능/효과
- (a), (c), (e) 와 표 1 ~표 3에 나타나 있다. SPM을 사용할 경우 K-means Clustering 방법은 1760개의 Training Pattern에 대해서 8~9개의 패턴들이, 3520개의 TestPattem에 대해서는27~44개의 패턴들이 오인식에서 정인 식으로 바뀌는 것을 알 수 있으며 평균 16% 정도의 오류 패턴 감소를 나타내었다. 또한, 패턴 분류 속도에 대해서는, 클러스터의 개수가 작으면 거의 비슷한 속도를 보이지만 개수가 늘어날수록 누적되는 계산량으로 인해 시간이 더 소요되는 것을 알 수 있으나, 개별 패턴을 인식하는 속도를 비교할 경우 0.
- SPM을 사용할 경우 K-means Clustering 방법은 1760개의 Training Pattern에 대해서 8~9개의 패턴들이, 3520개의 TestPattem에 대해서는27~44개의 패턴들이 오인식에서 정인 식으로 바뀌는 것을 알 수 있으며 평균 16% 정도의 오류 패턴 감소를 나타내었다. 또한, 패턴 분류 속도에 대해서는, 클러스터의 개수가 작으면 거의 비슷한 속도를 보이지만 개수가 늘어날수록 누적되는 계산량으로 인해 시간이 더 소요되는 것을 알 수 있으나, 개별 패턴을 인식하는 속도를 비교할 경우 0.3~2.7ms에서 조금 더 늘어난 0.3 ~3.4 ms 정도로 비교적 빠른 분류 속도를 보이고 있다.
- 이렇게 생성된 SPMe 참조 패턴들 사이의 차이 점 이 선택적으로 부각된 자료구조로써 인간이 가지는 선택적 주의 능력과 유사하다. 마지막으로 패턴 분류 및 인식 과정에서는 입력 패턴 과 참조 패턴과의 거리 계산에서 생성된 SPM을 가중치로로 적용함으로써 보다 효율적인 패턴 분류를 가능하게 한다.
- 인쇄체 숫자는 다양한 글꼴을 바탕으로 변형된 5280개의 숫자 이미지를, 필기체 숫자는 MNIST 데이터베이스의 테스트용 숫자 이미지 10000개를 사용하였으며, 이 중 1/3은 학습에 사용하고 나머지 2/3는 테스트에 사용하였다. 실험을 통해 살펴본 결과 SPM을 사용한 패턴 분류 모델은 그렇지 않은 패턴 분류 모델에 비해 분류 속도면에서 추가적인 계산량에 의해 약간의 시간이 더 소요되었으나 인식률에 있어서 참조 클러스터의 개수 및 실험 데이터 성격에 관계없이 이더욱 우 수한 인식 성능을 나타내었으며 평균 16% 정도의 패턴 오류가 감소되었다.
- 인쇄체 숫자에 비해 인식률은 좀 더 떨어지는 것을 알 수 있으나, SPM을 사용함으로써 생성된 참조 클러스터 패턴 개수 및 실험 데이터의 성격에 관계없이 상대적으로 더 높은 인식 성능을 나타내는 것을 알 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.