최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.68 no.1, 2019년, pp.153 - 158
In this paper, we analyze the infrared feature for the small coast targets according to the surrounding environment for autonomous flight device equipped with an infrared imaging sensor and we propose Cross Duality of Neural Network (CR-DuNN) method which can classify the target and clutter in coast...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
해수면에서의 표적탐지 알고리듬에는 무엇이 있는가? | 해수면에서의 표적탐지 알고리듬은 기본적으로 표적과 클러터를 분류하기 위한 방법들을 적용하고 있으며, RDL(Robust Dictionary Learning)방법, QFT(Quaternion Fourier Transform)방법 등 관련된 많은 연구가 진행되어 왔다[3][4]. 하지만 이러한 방법들은 표적과 클러터가 기온과 수온의 다양한 변화에 따라 유사한 형태를 띄는 등의 상황에서는 제한적이다. | |
Du-CNN은 무엇인가? | Du-CNN은 Duality of CNN의 약어로써, 표적과 클러터의 구분이라는 같은 주제에 대해서 서로 다른 label 수로 학습된 CNN 구조를 각각 다르게 학습된 기계의 다중인격이라고 보고, 경우에 따라 어떤 machinality의 판단을 이용하는지를 서로 다르게 하는 방법이다[5]. 이 방법에서는 서로 다른 machinality의 장점을 최대한 이용하기 위해 별도의 탐지 알고리듬을 통해 후보로 포착한 표적이 역상일 때는 다양하게 생각하는 complex machinality가 판단한 결과를 이용하고, 표적이 백상일 때는 단순하게 생각하는 simple machinality가 판단한 결과를 이용한다. | |
기존의 CNN 학습모델들과 비교하여 CRoss Duality of Neural Network의 이점은 무엇인가? | 표적과 클러터를 구분하는 데에 제안한 CR-DuNN 구조를 이용하면, 기존의 단일 machinality의 학습내용을 이용하는 것보다 성능이 좋아지는 것뿐만 아니라, Du-CNN을 이용하는 것보다도 성능이 좋은 것을 알 수 있다. complex machinality만 이용했을 때의 성공률은 약 88.73 %로, CR-DuNN보다 약 4.32 % 낮았다. simple machinality만 이용했을 때의 성공률은 약 90.08 %로, CR-DuNN보다 약 2.97 % 낮았다. 또한 기존 연구[9]에 전결합 층을 2개 추가한 CNN신경망을 이용했을 때의 성공률은 약 91.38 %로, CR-DuNN보다 약 1.67 % 낮았다. Du-CNN을 이용 했을 때의 성공률은 약 92.49%로, 기존의 방법들 중에서 가장 높았다. 하지만 제안한 CR-DuNN의 성공률은 약 93.05 %로, Du-CNN보다 약 0.56 % 성능이 개선되었다는 것을 알 수 있다. 따라서 제안한 CR-DuNN을 이용하면, 주변 환경에 의한 표적의 적외선 방사특징을 예측해서 추가적인 연산 없이 정확도를 높일수 있다는 것을 확인하였다. |
Juyoung Lee et al., "An Analysis of Infrared Feature for the Small Coast Targets and applying The Artificial Intelligence Method", KIMST Fall Conference Proceedings, pp. 1201-1202, November. 2018.
Kyung Ha Kim, "A Study on the characteristics of Sunglint in LongWave InfraRed Band", KIMST, Vol. 21, No. 3, pp. 306-314, 2018.
C. Yang, H. Liu, S. Liao and S. Wang, "Small Target Detection in Infrared Video Sequence using Robust Dictionary Learning," Infrared Physics & Technology, Vol. 68, pp. 1-9, 2015.
S. Qi, J. ma, H. Li, S. Zhang and J. Tian, "Infrared Small Target Enhancement via Phase Spectrum of Quaternion Fourier Transform," Infrared Physics & Technology, vol. 62, pp. 50-58, 2014.
Juyoung Lee et al., "A Design of Du-CNN based on the Hybrid Machine Characters to Classify Target and Clutter in the IR Image", KIMST, Vol. 20, No. 6, pp. 758-766, Dec. 2017.
Chunho Kim et al., "A study of operational concept of guided missile by network-based Smart Device target information", KIMST Annual Conference Proceedings, pp. 1480-1481, June. 2017.
Sepp Hochreiter, Jurgen Schmidhuber, "LONG SHORTTERM MEMORY", Neural Computation, 1997.
Odegaard, N., Knapskog, A. O., Cochin, C., Louvigne, J. C. "Classification of ships using real and simulated data in a convolutional neural network", Rader Conference, 2016.
Hore A, Ziou D, "Image quality metrics: PSNR vs SSIM", ICPR 20th, Vol. 1, pp. 2366-2369, 2010.
G. Chen et al, "Region-based moving object detection Using SSIM", ICCSNT 4th, Vol. 1, pp. 1361-1364, IEEE, 2015.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.