박진현
(Dept. of Mechatronics Engineering, Kyeognam National Univ. of Science and Technology)
,
황광복
(Dept. of Mechatronics Engineering, Kyeognam National Univ. of Science and Technology)
,
박희문
(British American Tobacco Korea)
,
최영규
(Department of Electrical Engineering, Pusan National University)
본 연구에서 외래어종 퇴치를 위한 시스템 개발에 앞서 물 안의 어류 이미지를 CNN으로 학습하여 어종을 분류하는 알고리즘을 제안하고자 한다. CNN 학습을 위한 원데이터(raw data)는 각 어종에 대해 직접 촬영한 영상을 사용하였으며, 어종 분류성능을 높이기 위해 영상 이미지의 개수를 늘린 데이터세트 1과 최대한 자연환경과 가까운 영상 이미지를 구현한 데이터세트 2를 구성하여 학습 및 테스트 데이터로 사용하였다. 4가지 CNN의 분류성능은 데이터세트 1에 대해 99.97%, 데이터세트 2에 대해 99.5% 이상을 나타내었으며, 특히 데이터세트 2를 사용하여 학습한 CNNs이 자연환경과 유사한 어류 이미지에 대해서도 만족할 만한 성능을 가짐을 확인하였다. 그리고 4가지 CNN 중 AlexNet이 성능에서도 만족스러운 결과를 도출하였으며, 수행시간과 학습시간 역시 가장 짧아 외래어종 퇴치를 위한 시스템 개발에 가장 적합한 구조임을 확인하였다.
본 연구에서 외래어종 퇴치를 위한 시스템 개발에 앞서 물 안의 어류 이미지를 CNN으로 학습하여 어종을 분류하는 알고리즘을 제안하고자 한다. CNN 학습을 위한 원데이터(raw data)는 각 어종에 대해 직접 촬영한 영상을 사용하였으며, 어종 분류성능을 높이기 위해 영상 이미지의 개수를 늘린 데이터세트 1과 최대한 자연환경과 가까운 영상 이미지를 구현한 데이터세트 2를 구성하여 학습 및 테스트 데이터로 사용하였다. 4가지 CNN의 분류성능은 데이터세트 1에 대해 99.97%, 데이터세트 2에 대해 99.5% 이상을 나타내었으며, 특히 데이터세트 2를 사용하여 학습한 CNNs이 자연환경과 유사한 어류 이미지에 대해서도 만족할 만한 성능을 가짐을 확인하였다. 그리고 4가지 CNN 중 AlexNet이 성능에서도 만족스러운 결과를 도출하였으며, 수행시간과 학습시간 역시 가장 짧아 외래어종 퇴치를 위한 시스템 개발에 가장 적합한 구조임을 확인하였다.
In this study, before system development for the elimination of foreign fish species, we propose an algorithm to classify fish species by training fish images with CNN. The raw data for CNN learning were directly captured images for each species, Dataset 1 increases the number of images to improve t...
In this study, before system development for the elimination of foreign fish species, we propose an algorithm to classify fish species by training fish images with CNN. The raw data for CNN learning were directly captured images for each species, Dataset 1 increases the number of images to improve the classification of fish species and Dataset 2 realizes images close to natural environment are constructed and used as training and test data. The classification performance of four CNNs are over 99.97% for dataset 1 and 99.5% for dataset 2, in particular, we confirm that the learned CNN using Data Set 2 has satisfactory performance for fish images similar to the natural environment. And among four CNNs, AlexNet achieves satisfactory performance, and this has also the shortest execution time and training time, we confirm that it is the most suitable structure to develop the system for the elimination of foreign fish species.
In this study, before system development for the elimination of foreign fish species, we propose an algorithm to classify fish species by training fish images with CNN. The raw data for CNN learning were directly captured images for each species, Dataset 1 increases the number of images to improve the classification of fish species and Dataset 2 realizes images close to natural environment are constructed and used as training and test data. The classification performance of four CNNs are over 99.97% for dataset 1 and 99.5% for dataset 2, in particular, we confirm that the learned CNN using Data Set 2 has satisfactory performance for fish images similar to the natural environment. And among four CNNs, AlexNet achieves satisfactory performance, and this has also the shortest execution time and training time, we confirm that it is the most suitable structure to develop the system for the elimination of foreign fish species.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그리고 최대한 자연환경과 가까운 영상 이미지 구현을 위하여 하천이나 내수면에서 발생하는 녹조 성분의 이미지와 흙탕물의 이미지를 사용하여 물고기 이미지를 합성하고, 이를 학습 데이터 및 테스트 데이터로 사용하였다. CNN의 구조는 구조가 간단하고 높은 성능을 내는 AlexNet[14]과 최근에 많이 사용되는 VggNet(Vgg16, Vgg19)[15~17], GoogLeNet[18]으로 성능을 평가하여 외래어종 퇴치를 위한 어종 분류 시스템에 가장 적절한 네트워크를 선정하고자 한다.
전송학습은 기존의 네트워크 출력을 없애고, 학습하고자 하는 물고기 종의 클래스 개수만큼 출력으로 연결하여 빠른 학습을 위해 사용하였다. 그리고 외래어종 퇴치 시스템에서 가장 중요한 어종 분류성능과 어종 분류를 위한 수행 시간(execution time)이 중요한 결정요인이므로 4가지 네트워크의 성능평가 결과를 사용하여 어종 분류 시스템에 가장 적절한 네트워크를 선정하고자 한다.
따라서, 본 연구에서 외래어종 퇴치를 위한 효율적인 시스템 개발에 앞서 물 속에 있는 어류 이미지를 CNN으로 학습하여 어종을 분류하는 알고리즘을 제안하고자 한다. CNN 학습을 위한 원데이터(raw data)는 각 어종에 대해 직접 촬영한 영상을 사용하였으며, 어종 분류 성능을 높이기 위해 영상 이미지를 회전 및 좌우로 반전시켜 학습 데이터의 개수를 늘려 사용하였다[13].
본 연구에서 외래어종 퇴치를 위한 시스템 개발에 앞서 물 안에 있는 어류 이미지를 CNN으로 학습하여 어종을 분류하는 알고리즘을 제안하고자 한다. CNN 학습을 위한 원데이터는 각 어종에 대해 직접 촬영한 영상을 사용하였으며, 어종 분류성능을 높이기 위해 영상 이미지의 개수를 늘린 데이터세트 1과 최대한 자연환경과 가까운 영상 이미지 구현을 위한 데이터세트 2를 구성하여 학습 및 테스트 데이터로 사용하였다.
제안 방법
CNN 학습의 정확도를 높이기 위해 이미지 데이터를 시계방향으로 5°, 10°, 15°, 20°씩 회전하고, 이를 좌우 반전시켜 1장의 이미지를 10장의 이미지로 확장하여 데이터세트 1을 구성하였다.
실험에 앞서 물고기 분류를 위한 CNN은 구조가 간단하고 높은 성능을 내는 AlexNet, Vgg16, Vgg19, GoogLeNet를 사용하여 성능을 평가하였다. 각 네트워크는 Matlab[16~18]에서 제공하는 전송학습(transfer learning)을 사용하여 학습시간을 줄이고자 하였다. 이는 하천이나 내수면에서 외래 어종 분류 시스템에 CNN을 적용할 경우, 학습시간과 연산수행시간이 매우 중요한 요인으로 이를 고려하여 네트워크를 선정하였다.
그리고 직접 자연환경에서 물고기 영상을 촬영하여 데이터를 확보하는 것 또한 많은 시간과 특정 어종의 촬영이 매우 어려운 실정이다. 그러므로 본 연구에서는 실험실 환경에서 특정 어종을 확보하여 직접 어류의 동영상 이미지를 촬영하고, 촬영된 동영상을 기초로 어종의 이미지를 만들었다. 분류하고자 하는 어종 이미지는 생태계 교란 외래종인 큰입배스와 블루길을 포함하여 생태계 교란 외래종과 크기나 모양이 비슷하거나 우리나라의 하천 및 내수면에 주로 서식하는 잉어(common carp), 붕어(crucian carp), 메기(catfish), 쏘가리(mandarin fish), 누치(skin carp)로 데이터 세트를 구성하였다.
또한, 최대한 자연환경과 가까운 영상 이미지 구현을 위하여 8장의 물속 자연환경 이미지를 선정하여 각 어종의 5,000장의 이미지와 합성하여 데이터세트 2를 만들었다. 8장의 물속 이미지는 내수면에서 발생하는 녹조 성분의 이미지와 흙탕물의 이미지를 사용하였다.
본 연구에서는 이러한 CNN 구조 중 구조가 간단하고 성능이 우수한 AlexNet과 최근에 많이 사용되는 VggNet(Vgg16, Vgg19), GoogLeNet을 전송학습(transfer learning)을 사용하여 학습한 후 성능을 평가하였다. 전송학습은 기존의 네트워크 출력을 없애고, 학습하고자 하는 물고기 종의 클래스 개수만큼 출력으로 연결하여 빠른 학습을 위해 사용하였다.
그러므로 본 연구에서는 실험실 환경에서 특정 어종을 확보하여 직접 어류의 동영상 이미지를 촬영하고, 촬영된 동영상을 기초로 어종의 이미지를 만들었다. 분류하고자 하는 어종 이미지는 생태계 교란 외래종인 큰입배스와 블루길을 포함하여 생태계 교란 외래종과 크기나 모양이 비슷하거나 우리나라의 하천 및 내수면에 주로 서식하는 잉어(common carp), 붕어(crucian carp), 메기(catfish), 쏘가리(mandarin fish), 누치(skin carp)로 데이터 세트를 구성하였다. 7종의 어류에 대하여 동영상 이미지로부터 5,000개의 이미지 데이터를 만들어 기본 데이터로 사용하였다.
8장의 물속 이미지는 내수면에서 발생하는 녹조 성분의 이미지와 흙탕물의 이미지를 사용하였다. 이미지의 합성은 원래의 어류 이미지와 8장의 물속 자연환경 이미지를 3:7, 4:6, 5:5, 6:4, 7:3으로 랜덤하게 선정하여 합성하여 각 어종 당 5,000장의 이미지를 데이터세트 2로 구성하였다. 그림 3(a)은 물속 자연환경 이미지를 나타내며, 그림 3(b)는 합성된 어류 이미지를 표시하였다.
대상 데이터
분류하고자 하는 어종 이미지는 생태계 교란 외래종인 큰입배스와 블루길을 포함하여 생태계 교란 외래종과 크기나 모양이 비슷하거나 우리나라의 하천 및 내수면에 주로 서식하는 잉어(common carp), 붕어(crucian carp), 메기(catfish), 쏘가리(mandarin fish), 누치(skin carp)로 데이터 세트를 구성하였다. 7종의 어류에 대하여 동영상 이미지로부터 5,000개의 이미지 데이터를 만들어 기본 데이터로 사용하였다.
또한, 최대한 자연환경과 가까운 영상 이미지 구현을 위하여 8장의 물속 자연환경 이미지를 선정하여 각 어종의 5,000장의 이미지와 합성하여 데이터세트 2를 만들었다. 8장의 물속 이미지는 내수면에서 발생하는 녹조 성분의 이미지와 흙탕물의 이미지를 사용하였다. 이미지의 합성은 원래의 어류 이미지와 8장의 물속 자연환경 이미지를 3:7, 4:6, 5:5, 6:4, 7:3으로 랜덤하게 선정하여 합성하여 각 어종 당 5,000장의 이미지를 데이터세트 2로 구성하였다.
따라서, 본 연구에서 외래어종 퇴치를 위한 효율적인 시스템 개발에 앞서 물 속에 있는 어류 이미지를 CNN으로 학습하여 어종을 분류하는 알고리즘을 제안하고자 한다. CNN 학습을 위한 원데이터(raw data)는 각 어종에 대해 직접 촬영한 영상을 사용하였으며, 어종 분류 성능을 높이기 위해 영상 이미지를 회전 및 좌우로 반전시켜 학습 데이터의 개수를 늘려 사용하였다[13]. 그리고 최대한 자연환경과 가까운 영상 이미지 구현을 위하여 하천이나 내수면에서 발생하는 녹조 성분의 이미지와 흙탕물의 이미지를 사용하여 물고기 이미지를 합성하고, 이를 학습 데이터 및 테스트 데이터로 사용하였다.
본 연구에서 외래어종 퇴치를 위한 시스템 개발에 앞서 물 안에 있는 어류 이미지를 CNN으로 학습하여 어종을 분류하는 알고리즘을 제안하고자 한다. CNN 학습을 위한 원데이터는 각 어종에 대해 직접 촬영한 영상을 사용하였으며, 어종 분류성능을 높이기 위해 영상 이미지의 개수를 늘린 데이터세트 1과 최대한 자연환경과 가까운 영상 이미지 구현을 위한 데이터세트 2를 구성하여 학습 및 테스트 데이터로 사용하였다.
CNN 학습을 위한 원데이터(raw data)는 각 어종에 대해 직접 촬영한 영상을 사용하였으며, 어종 분류 성능을 높이기 위해 영상 이미지를 회전 및 좌우로 반전시켜 학습 데이터의 개수를 늘려 사용하였다[13]. 그리고 최대한 자연환경과 가까운 영상 이미지 구현을 위하여 하천이나 내수면에서 발생하는 녹조 성분의 이미지와 흙탕물의 이미지를 사용하여 물고기 이미지를 합성하고, 이를 학습 데이터 및 테스트 데이터로 사용하였다. CNN의 구조는 구조가 간단하고 높은 성능을 내는 AlexNet[14]과 최근에 많이 사용되는 VggNet(Vgg16, Vgg19)[15~17], GoogLeNet[18]으로 성능을 평가하여 외래어종 퇴치를 위한 어종 분류 시스템에 가장 적절한 네트워크를 선정하고자 한다.
데이터세트 2는 그림 3(a)와 같은 하천이나 내수면에서 발생하는 녹조 성분의 이미 지와 흙탕물의 이미지 8장을 랜덤하게 일정 비율(7:3, 6:4, 5:5, 4:6, 3:7)로 원본 어류 이미지와 합성하여 각 어종당 5,000장의 이미지로 구성하였다. 그리고 학습과 테스트를 위해 데이터세트 1과 같이 각 어종당 데이터의 20%는 테스트 데이터로 선정하고, 데이터의 56%와 24%는 학습과 확인을 위한 데이터로 분류하였다.
그러므로 어류의 원본 이미지만으로도 어류의 특징점을 충분히 잘 표현하는 것으로 간주하여 회전이나 반전 등의 데이터 확장 없이 데이터세트 2를 구성하였다. 데이터세트 2는 그림 3(a)와 같은 하천이나 내수면에서 발생하는 녹조 성분의 이미 지와 흙탕물의 이미지 8장을 랜덤하게 일정 비율(7:3, 6:4, 5:5, 4:6, 3:7)로 원본 어류 이미지와 합성하여 각 어종당 5,000장의 이미지로 구성하였다. 그리고 학습과 테스트를 위해 데이터세트 1과 같이 각 어종당 데이터의 20%는 테스트 데이터로 선정하고, 데이터의 56%와 24%는 학습과 확인을 위한 데이터로 분류하였다.
0 × e-4으로 설정하고, 미니배치(mini batch)의 크기는 각 네트워크의 성능에 맞게 적절히 조정하였다. 하드웨어 장치로는 Intel i9-7900 3.30GHz CPU와 4개의 NVIDIA GeForce GTX1080Ti를 사용하였다.
학습(learning)과 테스트(test)를 위한 데이터세트 1은 어종 당 50,000장의 이미지로 구성되어있으며, 각 어종 당 데이터의 20%는 테스트 데이터로 선정하였으며, 나머지 데이터 중 70%와 30%인 56%와 24%는 학습과 확인(validation)을 위한 데이터로 분류하였다. 그림 4는 네트워크 중 대표적인 AlexNet의 학습 데이터세트의 예와 학습 진행 과정을 보여준다.
데이터처리
실험에 앞서 물고기 분류를 위한 CNN은 구조가 간단하고 높은 성능을 내는 AlexNet, Vgg16, Vgg19, GoogLeNet를 사용하여 성능을 평가하였다. 각 네트워크는 Matlab[16~18]에서 제공하는 전송학습(transfer learning)을 사용하여 학습시간을 줄이고자 하였다.
이론/모형
각 네트워크의 최적화 방법은 Adam을 사용하였으며[20], 초기 학습률은 1.0 × e-4으로 설정하고, 미니배치(mini batch)의 크기는 각 네트워크의 성능에 맞게 적절히 조정하였다.
성능/효과
4가지 CNN의 분류성능은 데이터세트 1에 대해 99.97%, 데이터세트 2에 대해 99.5%이상을 나타내었으며, 특히 데이터세트 2를 사용하여 학습한 CNN이 자연 환경과 유사한 이미지에 대해서도 학습할 수 있음을 확인하였다. 그리고 4가지 CNN 중 AlexNet이 성능에서도 만족스러운 결과를 도출하였으며, 수행시간과 학습시간 역시 가장 짧아 외래어종 퇴치를 위한 시스템 개발에 가장 적합한 구조임을 확인하였다.
표 3은 데이터세트 1에 의해 학습된 네트워크에 데이터세트 2의 테스트 이미지에 대한 분류성능을 나타낸다. AlexNet의 분류성능이 55.53%로 나타났으며, Vgg19의 분류성능이 80.2%로 가장 높은 결과를 나타내었다. 네트워크가 깊어짐에 따라 CNNs의 분류성능이 높아짐을 확인하였다.
따라서 자연환경에서 촬영된 물고기 영상에 대해 고려가 필요하다. 그리고 1개 이미지에 대한 수행시간과 학습시간은 CNNs 중 AlexNet이 Vgg19에 비교하여 약 8배 정도 빠름을 확인하였다. 이는 다른 네트워크와 비교하여 네트워크가 깊지 않아 수행시간이 짧으며, 분류하고자 하는 어종의 수가 적어 작은 크기의 네트워크로도 충분히 잘 학습됨을 알 수 있다.
5%이상을 나타내었으며, 특히 데이터세트 2를 사용하여 학습한 CNN이 자연 환경과 유사한 이미지에 대해서도 학습할 수 있음을 확인하였다. 그리고 4가지 CNN 중 AlexNet이 성능에서도 만족스러운 결과를 도출하였으며, 수행시간과 학습시간 역시 가장 짧아 외래어종 퇴치를 위한 시스템 개발에 가장 적합한 구조임을 확인하였다.
또한, 분류하는 어종의 종류가 많지 않아 네트워크의 복잡도와 관계없이 모두 다 좋은 성능을 나타내었다. 그리고 하나의 이미지에 대한 수행시간과 학습 시간은 AlexNet이 가장 짧았으며, 네트워크가 가장 깊은 Vgg19가 가장 긴 시간을 소모하였다. 따라서 CNN 중 가장 구조가 단순한 AlexNet의 사용으로도 외래어종 퇴치를 위한 시스템 개발에 가장 적합한 구조임을 확인 하였다.
2%로 가장 높은 결과를 나타내었다. 네트워크가 깊어짐에 따라 CNNs의 분류성능이 높아짐을 확인하였다. 이는 가장 깊이가 얕은 AlexNet이 데이터세트 1의 수조 속의 실험실 환경데이터에 과적합(over fitting)된 것으로 생각된다.
데이터세트 1에 의해 학습된 CNNs의 테스트 이미지에 대한 분류성능은 표 2와 같이 모두가 만족할 만한 성능을 보이나, 자연환경 영상이 포함된 데이터세트 2의 테스트 이미지에 대한 분류성능은 매우 낮은 성능 결과를 보여주었다. 표 3은 데이터세트 1에 의해 학습된 네트워크에 데이터세트 2의 테스트 이미지에 대한 분류성능을 나타낸다.
CNN에 대한 분류성능 비교는 표 4와 같다. 데이터세트 2에 의한 CNN의 분류성능은 모두 99.5% 이상을 기록하였으며, 데이터세트 1에 의한 분류성능에 비교하여 조금 떨어짐을 알 수 있다.
그리고 하나의 이미지에 대한 수행시간과 학습 시간은 AlexNet이 가장 짧았으며, 네트워크가 가장 깊은 Vgg19가 가장 긴 시간을 소모하였다. 따라서 CNN 중 가장 구조가 단순한 AlexNet의 사용으로도 외래어종 퇴치를 위한 시스템 개발에 가장 적합한 구조임을 확인 하였다.
이는 각각의 CNN이 자연환경과 유사한 이미지를 학습함으로써 테스트 분류성능이 높아졌음을 알 수 있다. 또한, 분류하는 어종의 종류가 많지 않아 네트워크의 복잡도와 관계없이 모두 다 좋은 성능을 나타내었다. 그리고 하나의 이미지에 대한 수행시간과 학습 시간은 AlexNet이 가장 짧았으며, 네트워크가 가장 깊은 Vgg19가 가장 긴 시간을 소모하였다.
1% 이상 분류하였음을 알 수 있다. 평균적으로 모든 어종에 대하여 99.5% 이상 분류 정확성을 나타내었다.
71번의 epoch을 수행하였다. 학습 후 CNN의 성능평가는 테스트 데이터 10,000(장/어종)에 대하여 99.97%로 매우 높은 정확도를 나타내었다. 이는 CNN이 수조 속의 실험실 환경에서 자연환경에서 촬영된 이미지와 비교하여 분류하고자 하는 물고기들의 특징을 더욱 잘 추출함을 알 수 있다.
표 2는 4가지 네트워크의 미니배치, 학습 횟수, 1개 이미지에 대한 수행시간 및 성능 등을 표시하였다. 학습된 CNNs의 성능은 모두 99.9% 이상의 높은 분류성능을 나타내었으며, 이는 학습 및 테스트 데이터가 같은 수조 환경에서 촬영되어 어종 분류성능이 매우 뛰어남을 알 수 있다. 수조와 같은 실험실 환경은 분류하고자 하는 물고기들의 특징이 잘 추출됨을 알 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
어종 분류를 위한 시스템 개발이 필요한 이유는?
특히 2010년 제10차 생물다양성협약 당사국 총회에서 생물 다양성 보전을 위한 목표 중 ‘침입 외래종 제거’를 발표함으로써 침입 외래종 제거에 관한 연구가 국내외에 활발히 진행되고 있다[1]. 특히 국내 내수면의 생태계 교란 생물로 외래어종인 큰입배스(large mouse bass)와 블루길 (bluegill)은 국내 토종어류의 개체군 감소에 가장 중요한 요인으로 알려져 있다. 따라서 이러한 외래어종 퇴치를 위한 효율적이고 확실한 시스템 개발이 필요한 실정 이다. 따라서 외래어종 퇴치를 위한 전체 시스템 개발에 앞서 물고기 어종 분류를 위한 시스템 개발이 선행되어야 한다.
CNN이란?
CNN은 LeCun 교수에 의해 개발된 알고리즘으로 동물의 시각처리 과정을 모방하여 패턴의 크기, 위치가 바뀌어도 인식할 수 있는 장점이 있는 이미지 인식 분야에서 가장 좋은 성능을 보이는 딥러닝 알고리즘으로[2~4], 국소수용영역(local receptive field), 가중치공유(share weights), 이단추출(sub-sampling) 방식으로 데이터의 특징을 추출하여 모델의 성능을 향상한다. 국소수용영 역는 하위 계층의 노도가 상위계층의 모든 노드와 연결 되어 있지 않고 지역적으로 일부의 노드에만 연결된 것을 의미하며, 가중치 공유는 공동으로 컨벌루션 필터 (convolution filter)를 사용하여 패턴의 위치와 관계없이 특징점을 찾을 수 있는 역할을 한다.
CNN의 데이터 추출 방식은 무엇인가?
CNN은 LeCun 교수에 의해 개발된 알고리즘으로 동물의 시각처리 과정을 모방하여 패턴의 크기, 위치가 바뀌어도 인식할 수 있는 장점이 있는 이미지 인식 분야에서 가장 좋은 성능을 보이는 딥러닝 알고리즘으로[2~4], 국소수용영역(local receptive field), 가중치공유(share weights), 이단추출(sub-sampling) 방식으로 데이터의 특징을 추출하여 모델의 성능을 향상한다. 국소수용영 역는 하위 계층의 노도가 상위계층의 모든 노드와 연결 되어 있지 않고 지역적으로 일부의 노드에만 연결된 것을 의미하며, 가중치 공유는 공동으로 컨벌루션 필터 (convolution filter)를 사용하여 패턴의 위치와 관계없이 특징점을 찾을 수 있는 역할을 한다.
참고문헌 (20)
Korea Institute for International Economic Policy. 10th Session of the Conference of the Parties to the Convention on Biological Diversity : Nagoya Protocol [Internet]. Available: http://www.kiep.go.kr/sub/view.do?bbsIdglobalecono&nttId185515.
Y. Le Cun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998.
S. I. Hassan, L. Dang, S. H. Im, K. B. Min, J. Y. Nam, and H. J. Moon, "Damage Detection and Classification System for Sewer Inspection using Convolutional Neural Networks based on Deep Learning," Journal of the Korea Institute of Information and Communication Engineering, vol. 22, no. 3, pp. 451-457, Mar. 2018.
J. H. Kim, D. S. Choi, H. S. Lee, and J. W. Lee, "Target Classification of Active Sonar Returns based on Convolutional Neural Network," Journal of the Korea Institute of Information and Communication Engineering, vol. 21 no. 10, pp. 1909-1916, Oct. 2017.
G. Chen, P. Sun, and Y. Shang, "Automatic Fish Classification System Using Deep Learning," Tools with Artificial Intelligence(ICTAI), 2017 IEEE 29th International Conference on. IEEE, pp. 24-29, 2017.
V. A. Sindagi, and V. M. Patel, "A Survey of Recent Advances in CNN-based Single Image Crowd Counting and Density Estimation," Pattern Recognition Letters, vol. 107, no. 1, pp. 3-16, May 2018.
M. Sarigul, and M. Avci, "Comparison of Different Deep Structures for Fish Classification," International Journal of Computer Theory and Engineering, vol. 9, no. 5, Oct. 2017.
H. Qin, X. Li, J. Liang, Y. Peng, and C. Zhang, "DeepFish: Accurate under water live fish recognition with a deep architecture," Neurocomputing, vol. 187 no. 26, pp. 49-58, Apr. 2016.
A. Salman, A. Jalal, F. S., A. Mian, M. Shortis, J. Seager, and E. Harvey, "Fish species classification in unconstrained underwater environments based on deep learning," LIMNOLOGY and OCEANOGRAPHY: METHODS, Association for the Sciences of Limnology and Oceanography, vol. 14, no. 9, pp. 570-585, Sep. 2016.
I. K Choi, H. E. Ahn, and J. S. Yoo, "Facial Expression Classification Using Deep Convolutional Neural Network," Journal of Electrical Engineering & Technology, vol. 13, no. 1, pp. 485-492, Jan. 2018.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems 25(NIPS2012), pp. 1097-1105, 2012.
K. Simonyan and A. Zisserman. (2015, May). Very deep convolutional networks for large-scale image recognition. 3rd International Conference on Learning Representations. [Internet]. Available: http://arxiv.org/abs/1409.1556.
Y. Bengio, "Deep Learning of Representations for Unsupervised and Transfer Learning," Proceedings of Machine Learning Research, Volume 27: Proceedings of ICML Workshop on Unsupervised and Transfer Learning, Washington:WA, pp. 17-37, Jul. 2012.
J. Ba, and D. P. Kingma. (2015, May). Adam: A Method for Stochastic Optimization. 3rd International Conference on Learning Representations. [Internet]. Available: http://arxiv.org/abs/1412.6980.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.