선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 본 논문에서는 Tensorflow 기반의 이미지 시맨틱 분할 알고리즘을 구현하고 안드로이드 디바이스에서 실시간 분할 처리 동작을 실험적으로 검증하였다. 구현 알고리즘은 기존의 오픈소스로 제공되는 DeepLab-v3+ 를 기초하여 Xception 분리 컨볼루션 모델에서 처리속도 개선을 위해 stride를 제거하고 확장된 콘볼루션 필터를 적용하여 기존 알고리즘을 변형하여 구현하였다.
- 본 논문에서는 Tensorflow 기반의 이미지 시맨틱 분할 알고리즘을 구현하고 안드로이드 디바이스에서 실시간 분할 처리 동작을 실험적으로 검증하였다. 구현 알고리즘은 기존의 오픈소스로 제공되는 DeepLab-v3+ 를 기초하여 Xception 분리 컨볼루션 모델에서 처리속도 개선을 위해 stride를 제거하고 확장된 콘볼루션 필터를 적용하여 기존 알고리즘을 변형하여 구현하였다. 또한 얼굴 인식에서 공용적으로 널리 사용되는 데이터베이스를 기초하여 개별 학습 모델을 구축하여 적용하였다.
- 구현 알고리즘은 기존의 오픈소스로 제공되는 DeepLab-v3+ 를 기초하여 Xception 분리 컨볼루션 모델에서 처리속도 개선을 위해 stride를 제거하고 확장된 콘볼루션 필터를 적용하여 기존 알고리즘을 변형하여 구현하였다. 또한 얼굴 인식에서 공용적으로 널리 사용되는 데이터베이스를 기초하여 개별 학습 모델을 구축하여 적용하였다. 구현 알고리즘은 삼성 갤럭시 노트10에서 실험적으로 동작하였으며, 실시간 처리 동작에 충분함을 실험적으로 검증하였다.
- 본 논문에서는 딥-러닝을 적용하여 이미지 학습 모델을 선행적으로 학습하고, 안드로이드 디바이스에서 입력되는 스트림에 대해 프레임을 각출하여 실시간으로 이미지 분할을 수행하는 알고리즘을 설계하고 이를 구현한다. 실시간 처리를 위해 실행시간 측면을 고려한 분할 성공률을 실험적으로 측정하고 이를 평가한다.
- DeepLab-v3에서의 8x를 v3+ 에서는 변형된 Xception를 인코더에 적용하여 분리된 컨볼루션으로 변경하고 4x를 2단계로 나눠 적용한다. 본 연구에서는 이러한 Xception 모델을 8x를 확대한 2단계 분리 컨볼루션 변화를 적용하고 마지막 블록에서 stride를 제거하여 변경된 구조로 설계 구현한다. 디코더의 저급의 특징맵에서는 1x1 Conv를 그대로 반영하며, 실험을 통해 채널의 개수가 48일 때 가장 좋은 결과를 내어, 채널 수를 48로 사용한다.
- 본 절에서는 Tensorflow에서 구현된 가장 성능이 우수한 최신 시맨틱 이미지 분할 모델인 DeepLab-v3+[9] 의 오픈 소스를 기반으로 개별화된 학습 모델을 구축하고 컨볼류션 필터를 일부 수정하여 안드로이드 플랫폼에서 실시간 동작하도록 개선한다.
대상 데이터
- 얼굴 인식 연구에서 공용으로 많이 활용되는 Labelled Faces in the World (LFW) dataset을 기초하여 얼굴 이미지 학습 모델을 구축한다[10]. LFW은 얼굴 검증 알고리즘의 성능 평가에서 많이 활용되는 데이터셋으로, 제한 없는 환경에서 얼굴 인식을 실험하기 위해 13,000여 개의 이미지와 이와 관련된 레이블을 포함하며, 인터넷에서 수집되었다. labelImg를 통해 각각의 이미지와 레이블에 대한 검토를 데이터 정제화를 수행하였다.
데이터처리
- 정답 레이블은 각 객체의 클래스 레이블과 경계 영역 표시 사각형을 쌍으로 구성되며, 이를 주석 (Annotation)이라 한다. 이미지에 주석을 할당하기 위해 파이썬과 Pyqt 기반의 labelImg 툴을 사용하여, 제공되는 이미지 데이터베이스와 레이블을 검증한다. 얼굴 인식 연구에서 공용으로 많이 활용되는 Labelled Faces in the World (LFW) dataset을 기초하여 얼굴 이미지 학습 모델을 구축한다[10].
이론/모형
- 과거에 일반적으로 사용되었던 이미지 분할 알고리즘들은 사용자의 개입, 전문적 지식이 요구되어, 딥-러닝 기반 기술보다 효율성에서 떨어지는 단점이 있었다. 여기에 해당하는 부류는 주로 임계값, K-평균 군집화, 히스토그램 기반 이미지 분할, 엣지 검출 등의 알고리즘을 활용하였다[3, 7]. 임계값 활용 기술은 이미지를 전경과 배경으로 나누고 지정된 임계값을 기준으로 픽셀을 두 레벨 중 하나로 분리하여 객체를 분리한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.