$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝을 이용한 인스타그램 이미지 분류

Instagram image classification with Deep Learning

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.18 no.5, 2017년, pp.61 - 67  

정노권 (Department of Computer Science and Information Engineering, Korea National University of Transportation) ,  조수선 (Department of Computer Science and Information Engineering, Korea National University of Transportation)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 딥러닝의 회선신경망을 이용한 실제 소셜 네트워크 상의 이미지 분류가 얼마나 효과적인지 알아보기 위한 실험을 수행하고, 그 결과와 그를 통해 알게 된 교훈에 대해 소개한다. 이를 위해 ImageNet Large Scale Visual Recognition Challenge(ILSVRC)의 2012년 대회와 2015년 대회에서 각각 우승을 차지한 AlexNet 모델과 ResNet 모델을 이용하였다. 평가를 위한 테스트 셋으로 인스타그램에서 수집한 이미지를 사용하였으며, 12개의 카테고리, 총 240개의 이미지로 구성되어 있다. 또한, Inception V3모델을 이용하여 fine-tuning을 실시하고, 그 결과를 비교하였다. AlexNet과 ResNet, Inception V3, fine-tuned Inception V3 이 네 가지 모델에 대한 Top-1 error rate들은 각각 49.58%, 40.42%, 30.42% 그리고 5.00%로 나타났으며, Top-5 error rate들은 각각 35.42%, 25.00%, 20.83% 그리고 0.00%로 나타났다.

Abstract AI-Helper 아이콘AI-Helper

In this paper we introduce two experimental results from classification of Instagram images and some valuable lessons from them. We have tried some experiments for evaluating the competitive power of Convolutional Neural Network(CNN) in classification of real social network images such as Instagram ...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

가설 설정

  • The number of correct labels in case of Categories 'night sky' and 'rainbow' was 0. That is because there was no label that corresponds to the 1,000 ImageNet categories as in Table 1. In other words, these categories were not learned by the neural networks. In general, the results are not bad excepting such categories that were not learned by the neural networks.
  • 4) Object detection is required because image cropping/ resizing processes affect image classification through networks.
  • 6) It could be obtained amazing classification results just by fine-tuning the last fully connected layer on the pre-trained network.
  • The ImageNet data set consists of well refined images, so it is different from unrefined images created by users in social media. Our question is how much it would be effective the neural networks trained on the ImageNet, on those images created by actual users.
본문요약 정보가 도움이 되었나요?

참고문헌 (21)

  1. L.A. Gatys, A.S. Ecker, M. Bethge,"A Neural Algorithm of Artistic Style", arXiv:1508.06576, 2015. https://doi.org/10.1167/16.12.326 

  2. H. Kagaya, K. Aizawa, M. Ogawa "Food Detection and Recognition Using Convolutional Neural Network", MM '14 Proceedings of the 22nd ACM international conference on Multimedia, Pages 1085-1088, 2014. https://doi.org/10.1145/2647868.2654970 

  3. F. N. Iandola, A. Shen, P. Gao, K. Keutzer, "DeepLogo: Hitting Logo Recognition with the Deep Neural Network Hammer", arXiv:1510.02131, 2015. https://arxiv.org/abs/1510.02131 

  4. A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet Classification with Deep Convolution Neural Networks", In NIPS,, 2012. https://doi.org/10.1145/3065386 

  5. M. Lin, Q. Chen, S. Yan," Network In Network", arXiv:1312.4400, 2013. https://arxiv.org/abs/1312.4400 

  6. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A. Rabinovich, "Going Deeper with Convolutions", arXiv:1409.4842, 2014. https://doi.org/10.1109/cvpr.2015.7298594 

  7. K. Simonyan, A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition", arXiv:1409.1556, 2014. https://arxiv.org/abs/1409.1556 

  8. K. He, X. Zhang, S. Ren, J. Sun, "Deep Residual Learning for Image Recognition", arXiv:1512.03385, 2015. https://doi.org/10.1109/cvpr.2016.90 

  9. C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, Z. Wojna, "Rethinking the Inception Architecture for Computer Vision", arXiv:1512.00567, 2015. https://doi.org/10.1109/cvpr.2016.308 

  10. K. He, X. Zhang, S. Ren, J. Sun, "Identity Mappings in Deep Residual Networks", arXiv:1603.05027, 2016. https://doi.org/10.1007/978-3-319-46493-0_38 

  11. H. Jang, S. Cho, "Automatic Tagging for Social Images using Convolution Neural Networks", Journal of KIISE, Vol 43,No. 1, pp. 47-53, 2016. https://doi.org/10.5626/jok.2016.43.1.47 

  12. K. Tang, M. Paluri, L. Fei-Fei, R. Fergus, L. Bourdev, "Improving Image Classification with Location Context", arXiv:1505.03873v1, 2015. https://doi.org/10.1109/iccv.2015.121 

  13. S. Cho, "Web Image Classification using Semantically Related Tags and Image Content", Journal of Internet Computing and Services, v.11, no.3, pp.15-24, 2010. http://ksci.kisti.re.kr/search/article/articleView.ksci?arti cleBean.atclMgntNoOTJBCD_2010_v11n3_15 

  14. Y. Mussarat, S. Muhammad, M. Sajjad and I. Isma, "Content Based Image Retrieval Using Combined Features of Shape, Color and Relevance Feedback" , KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS VOL. 7, NO. 12, pp.3149, 2013. https://doi.org/10.3837/tiis.2013.12.011 

  15. G. Kim, T. An, M. Kim, "Estimation of Crowd Density in Public Areas Based on Neural Network", KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS VOL. 6, NO. 9, pp.2170, 2012. https://doi.org/10.3837/tiis.2012.09.011 

  16. O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg and L. Fei-Fei. "ImageNet Large Scale Visual Recognition Challenge." IJCV, 2015. https://doi.org/10.1007/s11263-015-0816-y 

  17. A. Vedaldi and K. Lenc, "MatConvNet - Convolutional Neural Networks for MATLAB", Proc. of the ACM Int. Conf. on Multimedia, 2015. https://doi.org/10.1145/2733373.2807412 

  18. M. Abadi, A. Agarwal, P. Barham, E. Brevdo, "TensorFlow : Large-Scale Machine Learning on Heterogeneous Distributed Systems", arXiv:1603.04467, 2015. https://arxiv.org/abs/1603.04467 

  19. R. Girshick, "Fast R-CNN", arXiv:1504.08083, 2015. https://doi.org/10.1109/iccv.2015.169 

  20. K. He, X. Zhang, S. Ren, J. Sun, "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition", arXiv:1406.4729, 2014. https://doi.org/10.1007/978-3-319-10578-9_23 

  21. S. Ren, K. He, R. Girshick, J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", arXiv:1506.01497, 2015. https://doi.org/10.1109/tpami.2016.2577031 

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트