$\require{mediawiki-texvc}$

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.

이미지 인식률 개선을 위한 CNN 기반 이미지 회전 보정 알고리즘
CNN-based Image Rotation Correction Algorithm to Improve Image Recognition Rate 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.20 no.1, 2020년, pp.225 - 229  

이동구 (광운대학교 전자융합공학과) ,  선영규 (광운대학교 전자융합공학과) ,  김수현 (광운대학교 전자융합공학과) ,  심이삭 (광운대학교 전자융합공학과) ,  이계산 (경희대학교 전파공학과) ,  송명남 ((주)현대엠아이비인터내셔널) ,  김진영 (광운대학교 전자융합공학과)

초록
AI-Helper 아이콘AI-Helper

이미지 인식 및 영상처리, 컴퓨터 비전 등의 분야에서 합성곱 인공신경망 (Convolutional Neural Network, CNN)은 다양하게 응용되고 탁월한 성능을 내고 있다. 본 논문에서는 CNN을 활용한 이미지 인식 시스템에서 인식률을 저하시키는 요인 중 하나인 이미지의 회전에 대한 해결책으로써 CNN 기반 이미지 회전 보정 알고리즘을 제안한다. 본 논문에서는 Leeds Sports Pose 데이터셋을 활용하여 이미지를 임의의 각도만큼 회전시킨 학습데이터로 인공지능 모델을 학습시켜 출력으로 회전된 각도를 추정하도록 실험을 진행하였다. 학습된 인공지능 모델을 100장의 테스트 데이터 이미지로 실험하여 mean absolute error (MAE) 성능지표를 기준으로 4.5951의 값을 얻었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently, convolutional neural network (CNN) have been showed outstanding performance in the field of image recognition, image processing and computer vision, etc. In this paper, we propose a CNN-based image rotation correction algorithm as a solution to image rotation problem, which is one of the f...

주제어

#Rotation Estimation   #Deep Learning   #CNN   #Image Processing  

표/그림 (4)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 Leeds Sports Pose 데이터셋을 활용하여 인공지능 기반 영상인식 시스템에서 인식률 저하요인으로 나타나는 영상의 회전문제에 대해서 CNN 기반 regression 모델을 제안하였다. 제안한 모델을 학습시켜 임의의 회전 각도를 추정하는 실험을 진행하였고, 성능지표로써 MAE 지표를 통해 추정 오차 4.
  • 이때 입력 이미지에서의 주요 인식 객체가 평행이동하거나 회전된다면, 인공지능 모델은 이를 새로운 이미지로 판단하게 되어 인공지능 모델의 인식률이 현저히 떨어진다는 문제점이 있다. 이에 본 논문에서는 인공지능을 활용한 영상인식 시스템에서 인식률 개선을 위해 이미지의 기울임을 보정하는 CNN 기반 regression 기법을 제안한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
퍼셉트론이란 무엇인가? 다층 퍼셉트론을 이루는 단위인 퍼셉트론은 인공신경망을 이루는 기본 단위로써 인간의 뉴런을 등가적으로 구현한 것이다. 이때 퍼셉트론의 출력을 수식적으로 표현하면 다음과 같다.
인공신경망을 이루는 은닉계층으로 합성곱계층을 사용한 인공신경망을 의미하는 것은 무엇인가? CNN은 인공신경망을 이루는 은닉계층으로 합성곱계층을 사용한 인공신경망을 의미한다. 이때 합성곱 계층의 출력은 다음의 수식으로 나타난다[1].
모델이 학습을 할 때, 입력받아 연산할 데이터의 크기를 갖는 파라미터의 이름은 무엇인가? 먼저 mini-batch size이다. 이 파라미터는 모델이 학습을 할 때, 입력받아 연산할 데이터의 크기로, 이 값은 128로 정하였다.
질의응답 정보가 도움이 되었나요?

참고문헌 (9)

  1. I. Goodfellow, Deep Learning, MIT Press, 2016. 

  2. Y. LeCun, P. Haffner, L. Bottou and Y. Bengio, "Object recognition with gradient-based learning," Proceedings of the Shape Contour and Grouping in Computer Vision Part of the Lecture Notes in Computer Science book series (LNCS), vol. 1681, pp. 319-345, 1999. DOI: https://doi.org/10.1007/3-540-46805-6_19 

    crossref

  3. V. Mnih, et al., "Human-level control through deep reinforcement learning," Nature, vol. 518, no. 7540, pp. 529-533, Feb. 2015. DOI: https://doi.org/10.1038/nature14236 

    상세보기 crossref

  4. A. Krizhevsky, I. Sutskever and G. E. Hinton, "ImageNet classification with deep convolutional neural networks," Proc. of Neural Information and Processing Systems, pp. 1106-1114, 2012 DOI: 10.1061/(ASCE)GT.1943-5606.0001284 

  5. A. Bearman and C. Dong, "Human pose estimation and activity classification using convolutional neural networks," CS231n Course Project Reports, 2015. 

  6. S. P. Kim, Deep Learning First Step, Hanbit media, 2016. 

  7. S. Johnson and M. Everingham, "Learning effective human pose estimation from inaccurate annotation," in Proc. of IEEE Conference on Computer Vision and Pattern Recognition (CVPR2011), pp. 1465-1472, Providence, RI, USA, June 2011. DOI: 10.1109/CVPR.2011.5995318 

    crossref

  8. D. P. Kingma and J. L. Ba, "ADAM: A method for stochastic optimization," Proc. 3rd International Conference for Learning Representations, pp. 1-41, San Diego, USA, 2015. 

  9. T. Chai and R. R. Draxler, "Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature," Geoscientific Model Development, vol. 7, no. 3, pp.1247-1250, June 2014. DOI: https://doi.org/10.5194/gmd-7-1247-2014 

    상세보기 crossref

저자의 다른 논문 :

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

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