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
- 이러한 방법은 국부적인 점 군의 주된 특징은 잘 표현할 수 있는 반면 상대적으로 약한 정보들은 손실될 수밖에 없다. 따라서 본 연구에서는 기본적으로 단일점이 중심점이 되는 단위 구의 표면을 격자화 시킨 후 주변의 다른 점들을 이용하여 베이지안 업데이팅(Bayesian updating) 모델 기반의 점유 증거를 누적시킴으로써 그 특징을 모두 표현하고자 한다.
- 4장에서는 환경 형상 학습 방법에 대해 설명하며 5장에서는 실험 데이터 기반의 시뮬레이션 결과를 분석해본다. 마지막으로, 결론에서는 본 연구의 결과가 갖는 의미와 추후 연구 주제에 대해 고찰하고자 한다.
- 본 논문에서 사용된 검증을 위한 테스트 데이터 세트는 학습을 위한 데이터 세트와 구분하여 사용하였다고는 하나 동일한 장소에서 측정된 전체 점 군 데이터 내에서 생성하였기 때문에 다른 장소에서 측정한 데이터를 테스트 데이터 세트로 사용하여 본 논문에서 제안한 방법에 대한 신뢰도를 추후 재확인 해 보고자 한다.
- 본 논문에서는 센서 데이터의 형상 분류를 위해 크게 구형 특징 표현과 환경 형상 학습, 이렇게 두 부분으로 나누어 설명하고자 한다. 첫째, 구형 특징 표현에서는 레이저 스캐너로 측정된 3차원 점 군의 단일 점에 대한 형상학적 정보를 직관적으로 서술할 수 있는 방법을 제안한다.
- 둘째, 환경 형상 학습에서는 이렇게 형상화된 구형 특징 표현 결과들을 입력 값으로 하는 기계 학습의 한 종류인 심층 신뢰 네트워크(Deep Belief Networks)[7]를 사용하여 구형 특징 표현에 대한 환경 형상을 학습시킨다. 본 논문에서는 실험 데이터 기반의 시뮬레이션 결과를 통해 제안하고자 하는 센서 데이터의 형상 분류법에 대한 성능 검증 및 타당성을 증명하고자 한다.
- 본 연구에서는 기존의 연구자가 직접 모델링하는 방식의 수작업 형상 추출법(Hand crafted feature extractor) 대신에 기계 학습의 한 종류인 심층 신뢰 네트워크(Deep Belief Nets)를 사용함으로써 데이터의 물체 분류 성공률을 최대화 시키고자 함에 그 의미를 두고 있다.
- 계층 간에는 연결이 있지만 계층 내의 유닛(Unit)간에는 연결이 없다는 특징이 있다. 심층 신뢰 신경망(DBN)에 관한 내용은 [16, 17]에 자세히 기술되어 있으므로 본 논문에서는 중요한 사항만 다음과 같이 요약하고자 한다.
- 그 중에서 대표적인 것이 에퍽(epoch)의 횟수, 배치(batch) 개수, 은닉층의 개수, 은닉층의 노드(Node) 개수 등이 있다. 이 중에서 우선 은닉층 노드의 개수에 따른 분류 성공율의 변화를 살펴본다. 이를 위해 은닉층은 2개의 층으로 하였으며 첫 번째 층과 두 번째 층의 노드 개수는 동일하게 설정하였다.
- 이러한 인공 지능의 발전에 의해 사회 및 문화적 패러다임의 변화가 지금부터 시작될 것이라고 사료된다. 이러한 기류에 발맞추어 본 논문에서는 무인 이동 로봇의 자율 주행을 위한 기계 학습 기술을 기반으로 하는 새로운 환경 인식 및 분류 방법을 제안하고자 한다.
- 본 장에서는 3장에서 설명한 구형 특징 표현 데이터를 입력 값으로 하여 심층 신뢰 회로망(Deep belief networks)을 통해 환경 형상 정보를 학습시키고자 한다. 특히 도시 환경에서 측정된 거리 데이터를 사용함으로써 야외 환경에서 주된 형상이 될 수 있는 지면, 벽면, 차량, 나무 등에 대한 강인한 형상 추출자를 학습시키고자 한다.
가설 설정
- 이 사각뿔 끝 꼭지점은 단일 점 τ에 위치해 있으며 해당 패치를 포함하고 있는 형태로 밑면은 무한대의 거리에 의한 것이라고 가정할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.