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
- 두 번째로 특징데이터의 양을 감소시키며, 특징점의 공간적 변이 및 시간적 변이를 보완하는 특징지도 생성기법에 관한 연구이다. 기존의 CNN(Convolutional Neural Network) 모델에서 적용되었던 2차원 구조의 수용영역(receptive filed)을 3차원으로 확장함으로써 특징점의 공간적 변화뿐만 아니라 시간적 변이를 수용할 수 있도록 한다.
- 이에 본 연구에서는 영상에서 특징점에 대한 시간차원 변이를 효과적으로 해결하기 위하여 특징 표현기법 및 추출 기법을 제시한다. 또한 이를 기반으로 특징분석 및 추가학습(incremental learning)을 가능하게 하는 패턴 분류 모델을 고찰한다. 본 연구에서는 그림 1에 보인 바와 같이 3개의 모듈로 이루어진 인식시스템을 고려한다.
- 또한 시간에 따라 변하는 영역에 대한 위치정보를 효과적으로 표현하는 방법이 요구된다. 본 연구에서는 3차원 볼륨구조로서 시간차원을 고려한 움직임정보를 표현한다.
- 본 연구에서는 영상에서 수화 패턴 인식을 위한 2단계 구조의 복합형 신경망을 이용하는 방법을 고찰하였다. 3차원 볼륨 형식으로 표현되는 데이터표현으로부터 CNN 모델을 사용한 특징추출 방법은 데이터의 양을 줄일 수 있게 할 뿐만 아니라 특징점의 위치 및 시간 변이에 강인한 인식 기능을 제공한다.
- 상위 계층으로 갈수록 점진적으로 대상영역이 확장되는 형태의 특징지도를 생성하며 이 과정에서 수용영역(receptive field)의 연결구조를 통하여 특징점의 위치이동에 강인한 추출기능을 제공한다. 본 연구에서는 입력데이터의 형태를 3차원정보로 구성하며 이를 입력 신호로 적용할 수 있도록 변형된 구조의 CNN모델을 제시한다. 아래 그림은 변형된 CNN모델의 구조 및 동작 특성을 보인다.
- 본 절에서는 제안된 신경망으로부터 특정 패턴 클래스에 대한 각 특징의 상호 연관성 요소를 판별하는 방법을 소개한다. 패턴 분류 응용의 측면에서 볼 때, 이는 두 가지 점에서 유용한 기법이라 할 수 있다.
- 세 번째로 점진적 학습(incremental learning)이 가능한 패턴분류 신경망과 특징의 연관도 요소를 분석하는 특징 선별 기법에 관한 연구이다. 하이퍼박스 기반의 분류 모델로부터 수정된 활성화 특성을 정의하고 이를 적용하는 학습방법론을 고찰한다.
- 패턴 분류 응용의 측면에서 볼 때, 이는 두 가지 점에서 유용한 기법이라 할 수 있다. 우선 주어진 문제에서 어떤 특징 종류가 전체적인 분류 과정에 효과적으로 활용될 수 있는가 하는 정보를 제공한다. 두 번째로 어떤 특징값이 특정 클래스에 가장 중요한 값으로 연관되어 있는가를 판별할 수 있다는 점이다.
- 그러나 이러한 시스템은 환경과 여건에 제약적이라는 점이 지적되어 왔으며, 최근 유비쿼터스 시스템 등에서 요구하는 진보된 기능을 위하여 순수 동영상에서 인간의 행동패턴을 그대로 이해하는 기술에 대한 연구가 부각되고 있다[2-6]. 이에 본 연구에서는 보조장치나 도구를 사용하지 않은 순수 동영상 데이터로부터 수화 패턴을 인식하는 문제를 고찰한다. 세부적인 연구 주제로서 특징표현의 방법론, 목표물 추출 기법, 학습 및 인식 기법에 대한 모델을 제시하고 유용성을 분석하였다.
- 이와 같이 수화패턴이나 동적 수신호 인식 문제에서 신경망 기법을 적용하려는 연구가 활발하게 이루어지는 이유는 주어진 문제에서 제한된 양의 규칙을 기반으로 하는 추론기법이나, 통계적 방법론만으로 해결하기에는 영상에서 나타나는 변이의 형태가 매우 광범위하기 때문이다. 이에 본 연구에서는 영상에서 특징점에 대한 시간차원 변이를 효과적으로 해결하기 위하여 특징 표현기법 및 추출 기법을 제시한다. 또한 이를 기반으로 특징분석 및 추가학습(incremental learning)을 가능하게 하는 패턴 분류 모델을 고찰한다.
- 첫 번째로 수화패턴의 동적 특성을 반영하는 특징데이터 표현기법에 관한 연구이다. 일련의 동영상으로부터 획득된 수화패턴의 표현은 손과 팔의 영역을 추출하고 움직임을 분석하기 위하여 색상 및 모션 정보를 효과적으로 반영하는 형태여야 한다.
- 하이퍼박스 기반의 분류 모델로부터 수정된 활성화 특성을 정의하고 이를 적용하는 학습방법론을 고찰한다. 특히 학습된 신경망으로부터 특징데이터의 연관도를 분석하여 보다 효과적인 특징을 선별할 수 있게 함으로써 성능저하 없이 분류기를 최적화 할 수 있는 방법론을 고찰한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.