[논문]이미지의 질과 왜곡을 고려한 적대적 생성 신경망과 이를 이용한 비정상 검출

서태문; 강민국; 강동중

doi:10.7236/jiibc.2020.20.3.171

이미지의 질과 왜곡을 고려한 적대적 생성 신경망과 이를 이용한 비정상 검출
Anomaly Detection of Generative Adversarial Networks considering Quality and Distortion of Images 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.20 no.3, 2020년, pp.171 - 179

서태문 (부산대학교 기계공학과) , 강민국 (포항공과대학교 컴퓨터공학과) , 강동중 (부산대학교 기계공학과)

초록
AI-Helper

최근 연구 결과에 따르면, 컨볼루션 신경 회로망은 이미지 분류, 객체 검출, 이미지 생성 등의 문제에서 최고의 성능을 보여주고 있다. 비전 카메라를 사용한 결함 검사는 다른 결함 검사보다 경제적이기 때문에 공장 자동화에 있어서 아주 중요하고, 딥러닝의 지도학습은 전통 기계학습 방식의 결함 검사 성능을 월등히 뛰어넘었다. 하지만, 딥러닝의 지도학습은 엄청난 양의 데이터 주석 작업을 요구하기 때문에, 이를 실제 산업 현장에 적용하는 것은 효율적이지 않다. 따라서 본 연구는 최근 이미지 생성 과업에서 큰 성공을 보여주고 있는 변분 오토인코더와 적대적 생성 신경망을 활용하여 비지도 방식의 비정상 검출을 위한 신경망 회로 구조를 제안하였고, 이를 MNIST, 용접 결함 데이터에 적용하여 비정상 검출 성능을 검증하였다.

Abstract ▼ AI-Helper

Recently, studies have shown that convolution neural networks are achieving the best performance in image classification, object detection, and image generation. Vision based defect inspection which is more economical than other defect inspection, is a very important for a factory automation. Although supervised anomaly detection algorithm has far exceeded the performance of traditional machine learning based method, it is inefficient for real industrial field due to its tedious annotation work, In this paper, we propose ADGAN, a unsupervised anomaly detection architecture using the variational autoencoder and the generative adversarial network which give great results in image generation task, and demonstrate whether the proposed network architecture identifies anomalous images well on MNIST benchmark dataset as well as our own welding defect dataset.

주제어

표/그림 (6)

그림 그림 1. ADGAN 개요 Fig. 1. ADGAN overview: When normal images are given to the Improver ＆ Deteriorator, They try to generate data located in the input space of the Generator.
그림 그림 2. 정상 용접 이미지(왼쪽), 비정상(결함이 존재하는) 용접 이미지(오른쪽) Fig. 2. Images with and without welding defect
표 표 1. MNIST 데이터셋에 대한 표준편차에 의한 곡선의 아래면적 Table 1. The Area Under Curve(AUC) with Standard Deviation on MNIST dataset.
표 표 2. 목적함수가 비정상 검출에 적합한지 확인할 수 있는 표 Table 2. A table to see where objective function is performing well for anomaly detection or not. L = P(X_{or i}, X_{I, D}) + MSE(X_{I, D}, X_gen)
그림 그림 3. 발견된 결함위치의 시각화 왼쪽(결함 존재) 오른쪽(결함 미존재) Fig. 3. Visualizations of expected defect locations. left column(defect), right column(no defect).
그림 그림 6. 용접 결함 검사에 대한 ROC 곡선과 AUC 값 Fig. 6. ROC curve and AUC value on Welding defect Inspection.

AI 본문요약
AI-Helper

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

문제 정의

용접부 결함 검사는 대표적으로 비전 카메라를 이용한 방법과 초음파를 이용한 방법이 있지만, 본 논문에서는 비전 카메라를 사용하여 촬영한 결함부 사진을 통해 결함의 유무를 판정하고자 한다.
본 논문에서는 지각(Perceptual)변분 오토인코더¹³와 경계 평형 적대적 생성 신경망¹⁴의 영감을 받아 이미지의 품질과 왜곡을 모두 고려하여 비정상 여부를 결정하는 ADGAN을 제안한다. ADGAN은 총 3개의 부분으로 나뉘는데, 순서대로 개선 및 악화부, 생성부, 검출부이다 (See Figure 1).
본 논문은 비지도 학습의 대표 주자인 지각 변분 오토 인코더와 적대적 생성 신경망을 활용하여 노이즈가 심한 입력 이미지에 대해 강건한 비정상 검출을 할 수 있는 ADGAN을 제안하였다. ADGAN은 정상 이미지와 비정상 이미지의 픽셀 단위 거리뿐만 아니라, 이미지의 질적인 면도 같이 고려하기 때문에 기존의 방법론들 보다 더 좋은 검출 성능을 보여주었고, 이를 벤치마크 데이터를 사용하여 실험적으로 증명하였다.
본 연구는 정상 이미지만을 사용하여, 학습과정에 등장하지 않는 비정상 이미지를 검출하기 위한 알고리즘을 제안하고, 이에 대해 해석적, 실험적 분석을 하는 것을 논문의 범위로 하였다.

가설 설정

본 논문에서 제안하는 비정상 점수의 효율성을 검증하기 위해, 0~4까지의 필기체 숫자 이미지를 정상 이미지, 5~9까지의 필기체 숫자 이미지를 비정상 이미지라고 가정한 후, 다음의 실험을 수행하였다. 20,000장의 정상이미지를 사용해 제안된 구조를 학습시키고, 1,000장의 정상이미지와 9,000장의 비정상 이미지를 혼합하여 모델 성능을 평가하였다(See Figure 3).

제안 방법

본 논문은 제안된 알고리즘의 성능을 확인하고, 개선 및 악화부, 생성부, 검출부의 효율성을 검증하기 위해 다음의 3가지 실험을 수행하였다. (1) 벤치마크 데이터 세트인 필기체 데이터를 통한 비정상 검출, (2) 필기체 데이터를 사용한, 개선 및 악화부, 생성부, 검출부에 적용된 목적함수의 유용성 검증, (3) ADGAN을 이용한 용접 결함 검사.
요약하자면, 이 논문의 기여점은 다음과 같다. (1) 지각 변분 오토인코더¹³와 적대적 생성 신경망¹⁴을 사용하여 비정상 검출 과업에서 최고 성능을 내는 구조를 제안하였다. (2) 기존 비정상 감지에서 사용했던 픽셀 단위의 L1, L2 distance 목적함수에 최근 많은 주목을 받고 있는 Wasserstein distance를 추가하여, 입력 이미지와 출력 이미지의 픽셀 단위 거리뿐만 아니라, 이미지의 질적인 면까지 고려하는 목적함수를 제안하였다.
(1) 지각 변분 오토인코더¹³와 적대적 생성 신경망¹⁴을 사용하여 비정상 검출 과업에서 최고 성능을 내는 구조를 제안하였다. (2) 기존 비정상 감지에서 사용했던 픽셀 단위의 L1, L2 distance 목적함수에 최근 많은 주목을 받고 있는 Wasserstein distance를 추가하여, 입력 이미지와 출력 이미지의 픽셀 단위 거리뿐만 아니라, 이미지의 질적인 면까지 고려하는 목적함수를 제안하였다. (3) 앞에서 제안한 목적함수를 이용하여 비정상 요소가 존재하는 부분을 가시화하는 방법을 제안하였고, 용접 결함 데이터를 통해 실험적으로 검증하였다.
(2) 기존 비정상 감지에서 사용했던 픽셀 단위의 L1, L2 distance 목적함수에 최근 많은 주목을 받고 있는 Wasserstein distance를 추가하여, 입력 이미지와 출력 이미지의 픽셀 단위 거리뿐만 아니라, 이미지의 질적인 면까지 고려하는 목적함수를 제안하였다. (3) 앞에서 제안한 목적함수를 이용하여 비정상 요소가 존재하는 부분을 가시화하는 방법을 제안하였고, 용접 결함 데이터를 통해 실험적으로 검증하였다.
본 논문에서 제안하는 비정상 점수의 효율성을 검증하기 위해, 0~4까지의 필기체 숫자 이미지를 정상 이미지, 5~9까지의 필기체 숫자 이미지를 비정상 이미지라고 가정한 후, 다음의 실험을 수행하였다. 20,000장의 정상이미지를 사용해 제안된 구조를 학습시키고, 1,000장의 정상이미지와 9,000장의 비정상 이미지를 혼합하여 모델 성능을 평가하였다(See Figure 3).
5,14,21,25 특히 2017년에 제안된 경계 평형 적대적 생성 신경망(BEGAN)14은 3 채널의 128 X 128 해상도 이미지를 생성할 수 있고, 경계 학습이라는 새로운 방법을 통해 학습이 매우 안정적이므로 본 논문에서 제안한 ADGAN의 기본 구조로 사용하였고, 그 목적함수는 아래와 같다.
모드 붕괴 현상을 해결하기 위해 다양한 종류의 신경망이 제안되어 왔지만^{12,14,20,21,22} 여전히 근본적인 해결책을 찾지 못하고 있으며, 현재는 위에서 제안된 구조에 여러 가지 규제기법을 추가하여 모드 붕괴에 강건한 생성 구조를 구축하는 것을 해결책으로 삼고 있다. 따라서 본 논문에서는 모드 붕괴에 강건하고, 비정상 감지에 적합한 목적함수인 단반향 순환 목적함수를 제안하고, 그 수식은 아래와 같다.
2018)이다. 따라서 본 논문에서는 정확한 성능 검증을 위해 위의 논문에서 제안한 실험 방법을 그대로 차용하여 성능평가를 수행하였다. 필기체 데이터는 0~9까지의 65,000장의 숫자 이미지로 구성되어 있고, 각 클래스 당 6,500장의 이미지가 속해있다.
이러한 적대적 생성 신경망은 이미지의 위조 여부를 검출할 때, 고차원 이미지에 대한 픽셀 단위의 평균 제곱 오차를 계산하는 것이 아닌, 생성된 이미지가 실제 이미지와 질적(Divergence 관점)으로 얼마나 다른지를 수치화하여 위조 여부를 결정하게 된다. 본 논문에서 제안하는 생성부와 검출부는 개선 및 악화부에서 생성된 이미지를 픽셀 단위로 비교할 뿐만 아니라, 질적인 비교를 모두 수행하여 효율적인 비정상 검출을 수행하게 된다.
본 논문은 입력 이미지와 출력 이미지의 픽셀 단위 거리뿐만 아니라, 이미지의 질적인 면까지 고려하는 비정상 점수를 아래와 같이 제안한다.
본 논문은 제안된 알고리즘의 성능을 확인하고, 개선 및 악화부, 생성부, 검출부의 효율성을 검증하기 위해 다음의 3가지 실험을 수행하였다. (1) 벤치마크 데이터 세트인 필기체 데이터를 통한 비정상 검출, (2) 필기체 데이터를 사용한, 개선 및 악화부, 생성부, 검출부에 적용된 목적함수의 유용성 검증, (3) ADGAN을 이용한 용접 결함 검사.
사진으로 구성되어 있는데 제안된 구조의 평가를 위해 정상적인 용접부 사진 3,000장을 사용하여 ADGAN을 학습시켰고, 950장의 정상적인 용접부 사진과 50장의 결함 사진을 혼합하여 성능평가를 진행하였다. 또한, 앞의 이론적 배경에서 설명한 비정상 가시화 방법을 적용 해본 결과(See Figure 5) 제안하는 ADGAN이 비지도 학습의 방법론임에도 불구하고 성공적으로 결함의 위치를 파악했음을 시각적으로 확인 할 수 있다.
제안된 네트워크에 비정상 이미지가 입력되면, 개선 및 악화부는 입력 이미지의 잠재변수를 정상 이미지의 다양체 공간과 먼 곳으로 사상시킨 후, 왜곡된 이미지를 생성하여 높은 P(X_{or i} , X_I,D)값을 가지게 한다. 이후 왜곡된 이미지가 생성부에 인가되면, 입력된 이미지가 정상적인 이미지의 확률 공간에서 추출된 것이 아니기 때문에, 더욱 왜곡된 이미지를 생성하게 된다.

대상 데이터

필기체 데이터는 0~9까지의 65,000장의 숫자 이미지로 구성되어 있고, 각 클래스 당 6,500장의 이미지가 속해있다. 본 논문은 5,500장의 단일 클래스 이미지(정상 이미지)와 500장의 나머지 클래스 이미지(비정상 이미지)를 ADGAN의 학습을 위해 사용하였고, 성능 검증을 위한 시험 이미지는 각 클래스에서 1,000장씩 추출하여, 총 10,000장의 이미지로 구성하였다. 필기체 데이터가 총 10개의 클래스로 구성되어 있기 때문에, 정상 이미지의 클래스를 바꿔가며 총 10 번의 실험을 수행할 수 있었고, 그 결과는 위의 표와 같다(See Figure 2).
따라서 본 논문에서는 정확한 성능 검증을 위해 위의 논문에서 제안한 실험 방법을 그대로 차용하여 성능평가를 수행하였다. 필기체 데이터는 0~9까지의 65,000장의 숫자 이미지로 구성되어 있고, 각 클래스 당 6,500장의 이미지가 속해있다. 본 논문은 5,500장의 단일 클래스 이미지(정상 이미지)와 500장의 나머지 클래스 이미지(비정상 이미지)를 ADGAN의 학습을 위해 사용하였고, 성능 검증을 위한 시험 이미지는 각 클래스에서 1,000장씩 추출하여, 총 10,000장의 이미지로 구성하였다.

이론/모형

필기체 데이터가 총 10개의 클래스로 구성되어 있기 때문에, 정상 이미지의 클래스를 바꿔가며 총 10 번의 실험을 수행할 수 있었고, 그 결과는 위의 표와 같다(See Figure 2). 이 때, 각 목적함수를 안정적으로 최적화하기 위해 (6), (7)번 식은 Adam Optimizer²⁶, (8) 식은 RMSProp Optimizer²⁷를 사용하였다.

성능/효과

본 논문은 비지도 학습의 대표 주자인 지각 변분 오토 인코더와 적대적 생성 신경망을 활용하여 노이즈가 심한 입력 이미지에 대해 강건한 비정상 검출을 할 수 있는 ADGAN을 제안하였다. ADGAN은 정상 이미지와 비정상 이미지의 픽셀 단위 거리뿐만 아니라, 이미지의 질적인 면도 같이 고려하기 때문에 기존의 방법론들 보다 더 좋은 검출 성능을 보여주었고, 이를 벤치마크 데이터를 사용하여 실험적으로 증명하였다. 또한, ADGAN을 실제 용접 결함 검사 문제에 적용해보았고, 제안하는 방법이 실제 산업 현장의 결함 검출에도 어느 정도 적용 가능하다는 것을 실험적으로 확인하였다.
ADGAN은 정상 이미지와 비정상 이미지의 픽셀 단위 거리뿐만 아니라, 이미지의 질적인 면도 같이 고려하기 때문에 기존의 방법론들 보다 더 좋은 검출 성능을 보여주었고, 이를 벤치마크 데이터를 사용하여 실험적으로 증명하였다. 또한, ADGAN을 실제 용접 결함 검사 문제에 적용해보았고, 제안하는 방법이 실제 산업 현장의 결함 검출에도 어느 정도 적용 가능하다는 것을 실험적으로 확인하였다.
실험(1)의 결과 다음 장의 Figure 2에서 확인 할 수 있듯, ADGAN이 State of the art인 DSVDD9 의 성능을 7가지 실험 환경에서 능가했음을 확인하였고, 실험(2)의 결과인 Figure 3는 본 논문에서 제안한 여러 가지 목적함수가 비정상 감지에 잘 부합하는 목적함수임을 실험적으로 보여주고 있다. 마지막으로 ADGAN을 실제 산업 현장의 용접 결함 사진에 적용하였는데, 그 결과는 0.924 AUC이다. 이는 실제 상용화 가능한 수준(98% 이상)에는 못 미치지만, ADGAN을 이용한 비정상 검출이 어느 정도 상용화 가능 단계까지 진입했음을 실험적으로 보여주고 있다.
실험 결과, 본 논문에서 제안한 L_cycle와 L_Dis를 적용하면 비정상 검출의 성능을 나타내는 지표인 Area Under Curve(AUC) 값이 각각 0.029047, 0.011271 만큼 증가한다는 것을 수치적으로 확인할 수 있었고, 이는 제안된 목적함수들이 비정상 탐지에 적합하다는 것을 의미한다.
실험(1)의 결과 다음 장의 Figure 2에서 확인 할 수 있듯, ADGAN이 State of the art인 DSVDD9 의 성능을 7가지 실험 환경에서 능가했음을 확인하였고, 실험(2)의 결과인 Figure 3는 본 논문에서 제안한 여러 가지 목적함수가 비정상 감지에 잘 부합하는 목적함수임을 실험적으로 보여주고 있다. 마지막으로 ADGAN을 실제 산업 현장의 용접 결함 사진에 적용하였는데, 그 결과는 0.

질의응답

핵심어	질문	논문에서 추출한 답변
	비정상 검출은 무엇인가?	비정상 검출은 다수의 내좌층(Inlier) 데이터와 이상점(Outlier) 데이터가 존재하는 상황에서 이상점 데이터를 검출하는 과정이다. 내좌층 데이터란 풍부한 양의 정상적인 데이터를 의미하고, 이상점 데이터란 제품 결함 사진과 같이 내좌층 데이터에 비해 그 수가 매우 적고 부적절한 데이터를 의미한다.
	CNN 기반의 비정상 검출 알고리즘에는 무엇이 있는가?	컨볼루션 신경망 회로(Convolutional Neural Networks, CNNs)가 데이터의 특징 공간을 풍부하게 학습할 수 있음이 실험적으로 증명됨에 따라12,13,18 CNN 기반의 다양한 비정상 검출 알고리즘들이 제안되어 왔다. 방법론은 크게 두 가지로, 첫 번째는 오토인코더의 풍부한 특징 공간 학습력을 이용한 방법6,9,10이고, 두 번째는 적대적 생성모델을 활용한 방법7,8,19이다. 오토인코더는 데이터의 잠재변수를 찾기 위해 데이터의 차원을 축소(Encoding)시킨 후, 처음의 차원으로 다시 복원(Decoding)시키는 방법론인데, 축소되었던 저차원의 특징을 데이터의 잠재 변수 공간으로 가정하고, SVM 또는 선형 분류기에 인가하여 이상점 검출을 하는 방법이 오토인코더를 이용한 비정상 검출 방법이다.
	딥러닝 기반의 비정상 검출에는 어떤 방법이 있는가?	최신 딥러닝 기반의 비정상 검출은 오토인코더와 신경망 규제 방법을 통해 데이터에 대한 풍부한 정보를 가지고 있는 잠재변수를 추출한 후, 이를 SVM(Support Vector Machine) 분류기에 인가하여 비정상을 검출하는 방법9, 변분 오토인코더와 같은 확률적 오토인코더를 이용하는 방법10 적대적 생성신경망11,12을 통해 정상 이미지에 대한 확률분포를 학습하고, 학습에 참여하지 못한 비정상 데이터가 신경망에 인가되면, 왜곡된 이미지가 생성되는 현상을 이용한 방법이 있다.

참고문헌 (31)

C. Callegari, S. Vaton, and M. Pagano. A New Statistical Approach to Network Anomaly Detection. In Proceedings of the International Symposium on Performance Evaluation of Computer and Telecommunication Systems.(SPECTS).2018.
E. Eskin. Anomaly Detection over Noisy Datausing Learned Probability Distribution. In Pro-ceedings of the International Conference on Machine Learning(ICML). pages 255-262, 2000. DOI: https://doi.org/10.7916/D8C53SKF
G. Huang, Z. Liu, L. van der Maaten, K. Q. W-einberger. Densely Connected Convolutional Networks. In Computer vision and Pattern Recognition(CVPR). pages 4700-4708, 2017. arXiv:1608.06993
S. Zhang, L. Wen, X. Bian, Z. Lei, S. Z. Li. Single-Shot Refinement Neural Network for Object Detection," In Computer vision and Pattern Recognition(CVPR). 2018.DOI: 10.1109/CVPR.2018.00442
N. Kodali, J. Abernethy, J. Hays, Z. Kira, On Convergence and Stability of GANs. In arXiv preprintarXiv:1705.07215. 2017.
P. Seebock, S. Waldstein, S. Klimscha, B. S. G-erendas,R.Donner,T. Schlegl, U. SchmidtErfurth, G. Langs. Identifying and Categorizing An-omalies in Retinal Imaging Data. In arXiv preprintarXiv: 1612.00686. 2016.
T. Schlegl, P. Seebock, S. M. Waldstein, U. S-chmidt-Erfurth. Unsupervised Anomaly Detection With Generative Adversarial Networks to Guide Marker Discovery. In International Conference on Information Processing in Medical Imaging(IPMI). pages 146-157, 2017. DOI: https://doi.org/10.1007/978-3-319-59050-9_12
M. Sabokrou, M. Khalooei, M. Fathy, E. Adeli. Adversarially Learned One-Class Classifier for Novelty Detection. In Computer vision and Pattern Recognition(CVPR). pages 3379-3388, 2018. DOI: 10.1109/CVPR.2018.00356
L. Ruff, R. A. Vandermeulen, N. Gornitz, L. Deecke, S. A. Siddiqui, A. Binder, E. Muller, M.Kloft. Deep One-Class Classification. In Proceedings of the International Conference on Machine learning. pages 4393-4402, 2018.
A. Vasilev, V. Golkov, M. Meissner, I. Lipp, E. Sgarlata, V. Tomassini, D. K. Jones, D. Cremers. q-Space Novelty Detection with Variational Autoencoders. In arXiv preprint arXiv:1806.02997. 2018.
A. Vasilev, V. Golkov, M. Meissner, I. Lipp, E. Sgarlata, V. Tomassini, D. K. Jones, D. Cremers. q-Space Novelty Detection with Variational Autoencoders. In arXiv preprint arXiv:1806.02997.2018.
I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B.Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio. Generative Adversarial Nets. In proceedingsof Neural Information Processing Systems(NIPS). 2014.
A. Radford, L. Metz, S. Chintala. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. In Proceedings of International Conference on Learning Representations(ICLR). 2016.
X. Hou, L. Shen, K. Sun, G. Qiu. Deep Feature Consistent Variational Autoencoder. In Winter Conference on Applications of Computer Vision(WACV).pages 1133-1141, 2017.
D. Berthelot, T. Schumm, L. Metz. BEGAN: Boundary Equilibrium Generative Adversarial Networks. In arXiv preprint arXiv:1703.10717, 2018.
D. P. Kingma, M. Welling. Auto-Encoding Variational Bayes. In Proceedings of the International Conference on Learning Representations(ICLR), 2014.
Y. Blau, T. Michaeli. The Perception-Distortion Tradeoff. In Conference on Computer Vision andPattern Recognition(CVPR), 2018.
M. L. Shyu, S. C. Chen, K. Sarinnapakorn, L. Chang. A Novel Anomaly Detection Scheme Based on Principal Component Classifier. In proceedings of the IEEE Foundations and NewDirections of Data Mining Workshop. pages 172-179, 2003.
K. Simonyan, A. Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recgnition. In International Conference on Learning Representation (ICLR). 2014.
H. Zenati, C. S. Foo, B. Lecouat, G. Manek, V. R. Chandrasekhar. Efficient Gan-Based Anomaly Detection. In International Conference on learningRepresentations Workshop(ICLR). 2018.
J. Zhao, M. Mathieu, Y. LeCun. Energy-Based Generative Adversarial Networks. In International Conference on Learning Representations(ICLR). 2017.
M. Arjovsky, S. Chintala, L. Bottou. Wasserstein GAN. In proceedings of International Conference on Machine Learning(ICML). pages 214-223, 2017.
X. Mao, Q. LI, H. Xie, R. Y. K. Lau, Z. Wang, S. P. Smolley. Least Squares Generative Adversarial Networks. In International Conference on Computer Vision(ICCV). pages 2794-2802, 2017.
J. Y. Zhu, T. Park, P. Isola, A. A. Efros. Unpaired Image-to-Image Translation using Cycle Consistent Adversarial Networks. In International Conference on Computer Vision(ICCV). pages2223-2232, 2017.
G. E. Hinton, R. R. Salakhutdinov. Reducing the Dimensionality of Data with Neural Networks. In Science 313, pages 504-507, 2006.

상세보기
I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin. Improved Training of Wasserstein GANs. In Advances in Neural Information Processing Systems(NIPS). 2017.
D. P. Kingma, J. L. Ba. ADAM: A method for Stochastic Optimization. In Proceedings of the International Conference on Learning Refresentation(ICLR). 2015.
S. Ruder. An Overview of Gradient Descent Optimization Algorithms. In arXiv preprint arXiv:1609.04747. 2016.
S. Ioffe, C. Szegedy. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. In Proceedings of the International Conference on Machine Learning(ICML).pages 448-456, 2015.
In-Kyu Park. A Study on the Prediction of the Nonlinear Chaotic Time Series Using Genetic Algorithm based Fuzzy Neural Network The Journal of The Institute of Internet, Broadcasting and Communication(JIIBC), Vol. 11, No. 4, pp. 91-97, 2011.
Yun-Kyung Park, Hye-Won Lee, Sang-Moon Kim. Identify the Failure Mode of Weapon System (or equipment) using Machine Learning Journal of the Korea Academia-Industrial cooperation Society(JKAIS), Vol 19, No.8 pp.64-70 2018

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증