$\require{mediawiki-texvc}$

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.

[국내논문] 몰포러지 신경망 기반 딥러닝 시스템
Deep Learning System based on Morphological Neural Network 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.12 no.1, 2019년, pp.92 - 98  

최종호 (Department of IoT Electronic Engineering, Kangnam University)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 몰포러지 연산을 기본으로 하는 몰포러지 신경망(MNN: Morphological Neural Network) 기반 딥러닝 시스템을 제안하였다. 딥러닝에 사용되는 레이어는 몰포러지 레이어, 풀링 레이어, ReLU 레이어, Fully connected 레이어 등이다. 몰포러지 레이어에서 사용되는 연산은 에로전, 다이레이션, 에지검출 등이다. 본 논문에서 새롭게 제안한 MNN은 기존의 CNN(Convolutional Neural Network)을 이용한 딥러닝 시스템과는 달리 히든 레이어의 수와 각 레이어에 적용되는 커널 수가 제한적이다. 레이어 단위 처리시간이 감소하고, VLSI 칩 설계가 용이하다는 장점이 있으므로 모바일 임베디드 시스템에 딥러닝을 다양하게 적용할 수 있다. MNN에서는 제한된 수의 커널로 에지와 형상검출 등의 연산을 수행하기 때문이다. 데이터베이스 영상을 대상으로 행한 실험을 통해 MNN의 성능 및 딥러닝 시스템으로의 활용 가능성을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose a deep learning system based on morphological neural network(MNN). The deep learning layers are morphological operation layer, pooling layer, ReLU layer, and the fully connected layer. The operations used in morphological layer are erosion, dilation, and edge detection, etc...

주제어

#CNN   #Deep Learning   #Embedded System   #MNN   #Morphology   #VLSI  

표/그림 (10)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 따라서 본 논문에서는 몰포러지 연산(morphological operation)을 기본으로 하는 몰포러지 신경망 즉 MNN(morphological neural network) 기반 딥러닝 시스템을 제안하였다. MNN에서의 기본 연산은 에로전(erosion), 다이레이션(dilation), 오프닝(opening), 크로우징(closing)으로 연산과정이 단순하고 디지털 칩 설계가 용이하다.
  • 본 논문에서는 MNN 기반 딥러닝 시스템을 새롭게 제안하였다. CNN의 중간 레이어에서 수행하는 컨볼루션을 몰포러지 연산으로 대체하고, 다이레이션-에로전, Sum/ Difference, Pooing/ReLU 레이어에서의 연산을 통해 에지에서 형상으로 변하는 물체의 특징을 추출하고 인식하는 딥러닝 방식이다.
  • 확률이 가장 높은 출력을 선택하는 one-hat 변환으로 인식하였다. 본 실험은 CNN과 동일하게 임베디드 시스템에서 MNN의 딥러닝 적용 가능성을 판단하는 것이 목표이므로 비교적 단순한 5종류의 꽃을 분류하는 것이었다. 본 논문에서 새롭게 제안한 MNN 시스템이 임베디드 딥러닝 시스템으로 널리 활용될 수 있다는 것을 확인한 실험결과이다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
CNN분야에서 일반적으로 고려되고 있는 파라미터는?  현재 딥러닝 시스템으로 널리 활용되고 있는 CNN(convolutional neural network) 분야[1,2,3]에서 일반적으로 고려되고 있는 파라미터는 레이어 수, 각 레이어에서의 노드 수, 레이어간 노드의 연결 경로, 신호전달 체계에서의 활성화 함수 등이다. 이러한 파라미터들의 설정에는 복잡한 연산을 필요로 함에도 불구하고, 효과적인 자동설정 알고리즘이 개발되어 있지 않았으므로 수동으로 설정하는 경우가 대부분이었다.
MNN에서의 기본 연산의 특징은?  따라서 본 논문에서는 몰포러지 연산(morphological operation)을 기본으로 하는 몰포러지 신경망 즉 MNN(morphological neural network) 기반 딥러닝 시스템을 제안하였다. MNN에서의 기본 연산은 에로전(erosion), 다이레이션(dilation), 오프닝(opening), 크로우징(closing)으로 연산과정이 단순하고 디지털 칩 설계가 용이하다. 현재의 CNN(convolutional neural network) 기반 딥러닝 시스템과는 달리 MNN 딥러닝 시스템의 장점은 처리시간 감소 및 VLSI 칩 설계를 통해 컴퓨팅 파워에 의존할 수밖에 없는 모바일 임베디드 시스템에 딥러닝 기법을 다양하게 활용할 수 있다는 것에 있다.
딥러닝 알고리즘을 탑재하고자 하는 새로운 산업적 수요 요소는?  한편 기술적 응용의 차원에서 스마트 폰으로 대표되는 임베디드형의 모바일 시스템 또는 지능형 CCTV 등 기타 소형 시스템에 딥러닝 알고리즘을 하드웨어 또는 소프트웨어의 형태로 탑재하고자 하는 새로운 산업적 수요가 발생하고 있다. IoT, 네비게이션 시스템, CCTV 기반 ITS 및 방범방재 시스템, 스마트 폰 앱 등이 대표적인 예이다. 그러나 이러한 분야에서 컨볼루션 레이어, 풀링(pooling) 레이어, FC(fully connected) 레이어 등 다수의 레이어로 구성되는 현재의 딥러닝 시스템을 구성하는 것은 불가능하다.
질의응답 정보가 도움이 되었나요?

참고문헌 (8)

  1. Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks", Advances in Neural Information processing Systems 25, NIPS, 2012. 

  2. H. Lee, R. Grosse, R. Ranganath, and A.Y. Ng., "Convolutional deep belief networks for scalable unsupervised learning of hierarchical represent ations", Proceedings of the 26th Annual International Conference on Machine Learning, ACM, 2009. 

  3. Y. LeCun, K. Kavukcuoglu, and C. Farabet, "Convolutional networks and applications in vision", International Symposium in Circuits and Systems (ISCAS), IEEE, 2010. 

  4. Serra,J., Image Analysis and Mathe_ matical Morphology, Vol.1, Academic Press, New York, 1982. 

  5. Serra, J., "Introduction to Mathematical Morphology," Computer Vision, Graphics, and Image Processing, Vol.35, No.3, 1986. 

    상세보기

  6. Jongho, Choi and Jongsoo, Choi, "A Morphological Recognition Algorithm of Blob Shaped Particles for Automated Visual Inspection", Journal of KIISE, Vol. 21, No.5, May, 1994. 

  7. Jong-Ho Choi, "Morphological Object Recognition Algorithm", Journal of KIIECT, Vol. 11, No. 2, April, 2018. 

  8. Szegedy, Christian,et al. "Going deeper with convolutions." Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
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

맨위로