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
- 하지만 표적을 실시간으로 탐지해야하는 소형 센서의 제한된 Processor 성능을 고려했을 때, CNN층을 늘리는 것과 실시간 연산량 사이에는 trade- off가 존재한다. 따라서 본 논문에서는 영상획득 시험을 통해서 확보한 표적 및 클러터 영상들을 CNN을이용해서 학습시키기는 하지만, 소형 센서의 제한된연산 성능을 고려하여 CNN의 층을 최대한 늘리지 않으면서 정확도를 개선할 수 있는 방법을 제안한다.
- 본 논문에서는 기계학습에 다양한 시각을 적용시키는 일종의 기계적 다중인격을 도입하는 개념을 적용함으로써 표적과 클러터를 구분하는 새로운 방법을 제안한다.
제안 방법
- 50개의 배치로 약 2,000번의 파라미터 업데이트 후, 업데이트 횟수를 더 늘려서 실험한 결과 성공률이 개선되었기 때문에, 총 6,000번의 업데이트를 수행했다. 업데이트를 수행한 후의 error rate는 0.
- 하지만 이러한 방법들은 표적과 클러터가 기온과 수온의 다양한 변화에 따라 유사한 형태를 띄는 등의 상황에서는 제한적이다. 그러므로 본 논문에서는 표적과 클러터 구분 방법에 CNN(Convolutional Neural Network)를 적용하고, 인간의 다중인격 활용방법 기반의 새로운 기계학습 및 판단 방법을 융합하였으며, 이를 통해 연산량을 최소화하면서 성능을 높이는 방법을 실험을 통해 제시하였다.
- 또한 다양한 해상환경 영상중 대표적인 표적과 클러터 영상이라 할 수 있는 10,000개의 28×28 영상들을정리해서 학습을 위한 데이터로 사용하였으며, 필터의가중치 및 바이어스의 최적화를 위해 같은 학습을 10번 반복했다. 그리고 행렬벡터 연산을 간략화하기 위해, 50개의 배치리스트를 동시에 계산했다. 전체 구조는 Fig.
- 다음실험으로는, 학습 label을 백상표적, 역상표적, 클러터 이렇게 세 가지로 분류하고 나머지 CNN구조는 동일하게 유지한 상태로 학습을 시켰다. 전체 구조는 Fig.
- 제안하는 Du-CNN을 이용한 구분방법은 10개 label로 나눈 구조의 장점과 3개 label로 나눈 구조의 장점을 모두 이용하는 방법이다. 별도의 탐지 알고리듬을통해 후보로 포착한 표적이 역상일 때는 다양하게 생각하는 complex machinality가 판단한 결과를 이용하고, 표적이 백상일 때는 단순하게 생각하는 simple machinality가 판단한 결과를 이용한다. 표적후보가 역상인지 백상인지의 판단은 Fig.
- 본 논문에서 CNN 구조는 2개의 convolution층, 2개의 pooling층을 적용했다. CNN 구조만을 이용해서 10만 번의 학습을 수행한 결과, 성공률은 약 76.
- 73 %이다. 업데이트 횟수를 더 늘려서 실험을 했지만 성공률이 개선되지는 않았으므로, 2,000번의 파라미터 업데이트 후 학습을 중단했다.
- 업데이트 횟수를 더 늘려서 실험을 했지만 성공률이 개선되지는 않았으므로, 2,000번의 파라미터 업데이트 후 학습을 중단했다.
- 위에서 언급한 CNN구조를 이용해서 표적을 7가지로 분류하고, 클러터를 3가지로 분류한 총 10가지 레이블로 학습을 시켰다. 표적은 진입, 좌에서 우로 이동, 우에서 좌로 이동, 퇴각, 정지, 역상정지, 역상이동이렇게 7가지로 분류되며, 클러터는 햇빛반사, 역상항적, 자연현상 이렇게 3가지로 분류된다.
- 이번에는 앞서와 같이 label을 세 가지로 분류하고, CNN구조를 한층 더 추가한 후 필터 개수를 늘린 상태로 학습을 시켜 보았다. 전체 구조는 Fig.
대상 데이터
- 3의 x축은 신경망의 파라미터 업데이트 횟수이다. 50개의 배치로 약 2,000번의 업데이트를 수행했다. 수행한 후의 error rate는 0.
- 그리고 학습한 CNN구조를 테스트하기 위한 영상은28×28 크기의 53,119개 영상을 이용했다.
- 또한 다양한 해상환경 영상중 대표적인 표적과 클러터 영상이라 할 수 있는 10,000개의 28×28 영상들을정리해서 학습을 위한 데이터로 사용하였으며, 필터의가중치 및 바이어스의 최적화를 위해 같은 학습을 10번 반복했다.
이론/모형
- pooling층 다음에는2개의 전결합층을 통해 출력 층으로 activation된다. 각layer의 activation 함수는 sigmoid 함수를 사용했다.
성능/효과
- Table 7과 같이, 표적과 클러터를 구분하는데 제안한Du-CNN구조를 이용하면, 기존의 단일 machinality의학습내용을 이용하는 것보다 성능이 좋은 것을 알 수 있다. 두 가지의 machinality를 이용한 Du-CNN의 수행결과, complex machinality만 이용했을 때보다 성공률이 약 3.76 % 증가했고, simple machinality만 이용했을때보다 약 2.41 % 증가했다.
- 따라서 제안한 Du-CNN을 이용하면 실시간으로 동작하는소형센서의 연산량 증가를 최소화하면서도 정확도를 높일 수 있다는 것을 확인하였다.
- 45 % 이었다. 반면, 제안한 Du-CNN구조는 3,485개 표적영상을 클러터로 인식했고, 인식률은 92.87 % 이었다. 또한 클러터를 표적으로 인식한 false alarm은 complex machinality가 1,073개, simple machinality가 613개 영상으로 각각의 인식률은 74.
- 9 ms의시간이 소요되었다. 반면에 제안한 방법은 CNN의 층을 늘리지 않으면서 43.5 ms의 시간을 소요함과 동시에 92.49 % 정도까지 성능을 더욱 개선시켰다. 따라서 제안한 Du-CNN을 이용하면 실시간으로 동작하는소형센서의 연산량 증가를 최소화하면서도 정확도를 높일 수 있다는 것을 확인하였다.
- 50 % 이었다. 반면에, 제안한 Du-CNN구조는 511개 클러터영상을 표적으로 인식했고, 인식률은 87.91% 이다.
- 본 논문에서 제안한 Du-CNN 구조는 인간이 다중인격을 스스로 인식하고 효율적으로 관리하는 장점을 기계학습에 적용해본 새로운 방법으로써, 표적과 클러터를 구분하는 주제에 적용했을 때 성능을 높일 수 있다는 것을 실험을 통해 확인하였다.
- 두 번째 영상 역시 label 3으로 나누었을 때와 CNN층을 추가했을 경우에는 클러터로 잘 판단했지만, label 10일때는 역상표적으로 잘못 판단했다. 세 번째 영상 또한label 3일 때와 CNN층을 추가한 경우에는 잘 판단했지만, label 10일 때는 역상표적으로 잘못 판단했다.
- 02679 정도였다. 실험결과, 총 53,119개 테스트 영상 중 4,579개 영상에 대해서 잘못된 판단을 했으며, 성공률은 약91.38 %으로 CNN층을 추가한 결과 성능이 개선됨을 확인했다.
- 03078 정도였다. 실험결과, 총 53,119개 테스트 영상 중 5,272개 영상에 대해서 잘못된 판단을 했으며, 성공률은 약 90.08 %으로 10개 label로학습했을 때보다 1.35 % 가량 증가했다. 업데이트 횟수를 더 늘려서 실험을 했지만 성공률이 개선되지는 않았으므로, 2,000번의 파라미터 업데이트 후 학습을 중단했다.
- 08963 정도였다. 실험결과, 총 53,119개 테스트 영상 중 5,984개 영상에 대해 잘못된 판단을 했고, 성공률은 약 88.73 %이다. 업데이트 횟수를 더 늘려서 실험을 했지만 성공률이 개선되지는 않았으므로, 2,000번의 파라미터 업데이트 후 학습을 중단했다.
후속연구
- 이러한 개념을 기계학습에 적용시키면, 복수의 인격으로학습된 기계가 주어진 상황이나 입장에 따라 의식적으로 교체하면서 대처하는 것이 가능하다. 그러므로Deep Learning으로 풀어내야 할 다양한 과제에 이 방법을 적용하면, 연산량 증가는 최소화하고 기계의 숨은 가능성을 발견하여 성공률을 높일 수 있을 것이다.
- 입력받은 영상에 대해 날씨, 주변의 장애물, 고도 등 현재 주어진상황이나 입장에 따라 의식적으로 두 machinarity를 교체하면서 적절하게 대처한다면 더욱 유용한 결과를 얻을 수 있을 것이다. 본 논문에서 제안한 Du-CNN을시발점으로 다중인격 기계학습 방식을 점차 발전시켜 나간다면, 기계학습의 다각화 및 전문성을 넓혀 나갈수 있을 것이라 기대한다.
- 입력받은 영상에 대해 날씨, 주변의 장애물, 고도 등 현재 주어진상황이나 입장에 따라 의식적으로 두 machinarity를 교체하면서 적절하게 대처한다면 더욱 유용한 결과를 얻을 수 있을 것이다.
- 표적과 클러터를 구분하는 방법에도 CNN의 적용이가능하며, 기존의 연구들이 보여주듯이 다수의 층으로이루어진 CNN 구조를 적용한다면 정확도를 높이는데유리할 것이다. 하지만 표적을 실시간으로 탐지해야하는 소형 센서의 제한된 Processor 성능을 고려했을 때, CNN층을 늘리는 것과 실시간 연산량 사이에는 trade- off가 존재한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.