최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기The journal of the institute of internet, broadcasting and communication : JIIBC, v.17 no.2, 2017년, pp.165 - 171
김진우 (인하대학교 컴퓨터공학부) , 이필규 (인하대학교 컴퓨터공학부)
It is difficult to recognize Human's facial expression in the real-world. For these reason, when database and test data have similar condition, we can accomplish high accuracy. Solving these problem, we need to many facial expression data. In this paper, we propose the algorithm for gathering many f...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
컨볼루션 신경망의 학습 과정은? | 컨볼루션 신경망은 최근에 주목을 받고 있는 새로운 기계 학습 방식 중 하나이다. 컨볼루션 신경망은 사용자가 미리 정해놓은 네트워크의 구조를 따라 특징 벡터의 추출과 분류를 반복(iteration)을 하면서, 각 이미지에서 적절한 특징 벡터를 뽑아 실측 자료(Ground Truth)의 라벨로 분류가 되도록 네트워크를 학습해 나간다. 이렇게 학습된 네트워크는 학습 데이터에 따라 각각 물체나 사람 등 목적으로 하는 대상을 분류하기에 딱 맞는 전용 특징 벡터를 뽑을 수 있게끔 된다. | |
얼굴 표정 인식에서 특징 벡터란? | 우리는 화난 표정, 웃는 표정, 놀란 표정 등 사람의 얼굴을 보면 한 눈에 그 표정을 분간할 수 있는데, 그건 치켜 올라간 눈꼬리나 꽉 다문 입술, 크게 벌어진 입 등의 특징을 우리가 빠르게 파악하기 때문이다. 특징 벡터란 이러한 각 얼굴 표정이 갖는 특징을 기계도 사람처럼 파악할 수 있도록 기호화 한 것이다. 그 후, 각종 분류기(Classifier)를 사용하여 추출된 특징 벡터를 서로 구분한다. | |
능동준지도 학습 알고리즘의 학습 과정은? | 본 논문에서는 능동준지도 학습을 통해 다양한 조건의 얼굴 표정 데이터를 쉽게 모으고 보다 빠르게 성능을 확보할 수 있는 방법을 제안한다. 제안하는 알고리즘은 딥러닝 네트워크와 능동 학습 (Active Learning)을 통해 초기 모델을 학습하고, 이후로는 준지도 학습(Semi-Supervised Learning)을 통해 라벨이 없는 추가 데이터를 확보하며, 성능이 확보될 때까지 이러한 과정을 반복한다. 위와 같은 능동준지도 학습(Active Semi-Supervised Learning)을 통해서 보다 적은 노동력으로 다양한 환경에 적합한 데이터를 확보하여 성능을 확보할 수 있다. |
A. Mehrabian, "Communication without words," Psychol. Today, Vol. 2, pp. 53-5, 1968. DOI : http://dx.doi.org/10.1371/journal.pone.0032321
Changxing Ding, "Robust Face Recognition Via Multimodal Deep Face Representation", IEEE TRANSACTIONS ON MULTIMEDIA, VOL. 17, NO. 11, NOVEMBER 2015. DOI : http://dx.doi.org/10.1109/TMM.2015.2477042
B. Fasel, Juergen Luettin, "Automatic facial expression analysis: a survey", International Journal of Computer Science & Engineering Survey (IJCSES), Vol.3, No.6, December 2012. DOI : http://dx.doi.org/10.1016/S0031-3203(02)00052-3
H. Rowley, S. Baluja, and T. Kanade, "Human face detection in visual scenes." Technical Report CMU-CS-95-158R, School of Computer Science, Carnegie Mellon University, Nov. 1995.
Ken Chatfield, Karen Simonyan, Andrea Vedaldi, Andrew Zisserman, "Return of the Devil in the Details: Delving Deep into Convolutional Nets", arXiv:1405.3531v4 [cs.CV] 5 Nov 2014.
Karen Simonyan, Andrew Zisserman, "Very deep convolutional networks for large-scale image recognition", arXiv:1409.1556v6 [cs.CV] 10 Apr 2015.
Cohn, D., Ghahramani, Z., Jordan, M., "Active learning with statistical models." Journal of Artificial Intelligence Research, Vol.4, pp. 129-145, 1999. DOI : https://doi.org/10.1613/jair.295
Riccardi, G. and Hankkani-Tur, D., "Active learning: theory and applications to automatic speech recognition", IEEE Transactions on Speech and Audio Processing, Vol.13, No.4, pp. 504-511, 2005. DOI : https://doi.org/10.1109/TSA.2005.848882
Andre Teixeira Lopes, Edilson de Aguiar, Alberto F. De Souza, Thiago Oliverira-Santos, "Facial expression recognition with Convolutional Neural Networks: Coping with few data and the training sample order", Pattern Recognition Volume 61, January 2017, Pages 610-628. DOI : http://dx.doi.org/10.1016/j.patcog.2016.07.026
Sinno Jialin Pan, Qiang Yang, "A Survey on Transfer Learning", IEEE Trans. Knowl. Data Eng. 22, 1345-1359 (2010). DOI : https://doi.org/10.1109/TKDE.2009.191
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.