$\require{mediawiki-texvc}$

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.

R2와 어텐션을 적용한 유넷 기반의 영상 간 변환에 관한 연구
Image-to-Image Translation Based on U-Net with R2 and Attention 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.21 no.4, 2020년, pp.9 - 16  

임소현 (Department of Computer Science, Kyonggi University) ,  전준철 (Department of Computer Science, Kyonggi University)

초록
AI-Helper 아이콘AI-Helper

영상 처리 및 컴퓨터 비전 분야에서 하나의 영상을 통해 다른 영상으로 재구성하거나 새로운 영상을 생성하는 문제는 하드웨어의 발전에 따라 꾸준히 주목받고 있다. 그러나 컴퓨터를 통해 생성한 이미지를 사람의 눈으로 바라봤을 때 자연스럽지 않다는 문제 또한 계속해서 대두되고 있다. 최근 딥러닝 분야에 대한 연구가 활발히 진행됨에 따라 이를 활용한 영상 생성 및 개선 문제 또한 활발히 연구되고 있으며 그 중에서도 적대적 생성 신경망(Generative Adversarial Network)이라는 네트워크가 영상 생성 분야에 있어 좋은 결과를 보이고 있다. 적대적 생성 신경망이 제안된 이후 이를 기반으로 하는 다양한 네트워크가 제시됨에 따라 영상 생성 분야에서 더 자연스러운 영상을 생성하는 것이 가능해졌다. 그 중 pix2pix은 조건 적대적 생성 신경망 모델로 다양한 데이터셋에서도 좋은 성능을 보이는 범용적인 네트워크이다. pix2pix는 U-Net을 기반으로 두고 있으나 U-Net을 기반으로 하는 네트워크 중에서는 더 좋은 성능을 보이는 네트워크가 다수 존재한다. 때문에 본 연구에서는 pix2pix의 U-Net에 다양한 네트워크를 적용해 영상을 생성하고 그 결과를 상호 비교 평가한다. 각 네트워크를 통해 생성된 영상을 통해 기존의 U-Net을 사용한 pix2pix 모델보다 어텐션, R2, 어텐션-R2 네트워크를 적용한 pix2pix 모델이 더 좋은 성능을 보이는 것을 확인하고 그 중 가장 성능이 뛰어난 네트워크의 한계점을 향후 연구로 제시한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In the Image processing and computer vision, the problem of reconstructing from one image to another or generating a new image has been steadily drawing attention as hardware advances. However, the problem of computer-generated images also continues to emerge when viewed with human eyes because it i...

주제어

#영상 간 변환   #조건 적대적 생성 신경망   #유넷  

표/그림 (7)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 적대적 생성 신경망은 성능이 뛰어남은 물론, 다양한 원리나 구조를 추가해 새로운 모델을 생성하고 그에 따른 그 결과 혹은 과정에서 활용 범위가 굉장히 넓다. 본 논문에서는 U-Net 구조를 가지는 조건 적대적 생성 신경망(conditional GAN)을 기반으로 한 pix2pix에 edges2shoes 데이터 셋을 사용해 영상을 변환하고, U-Net[5]에 다양한 연산 혹은 방식을 적용해 그 결과를 확인하고 비교함으로써 연산을 추가하는 것이 네트워크에 있어 어떤 영향을 미치는 지에 대하여 분석하였다. 위 (그림 1)은 본 논문에서 적용한 다양한 네트워크 구조를 제시하고 있다.
  • pix2pix는 엣지-영상, 라벨-영상과 같이 짝을 이루는 데이터 셋을 사용하는 것이 특징이며 학습 과정에서 두 영상 사이의 연관성을 매핑하여 효율적인 학습을 진행하는 구조를 가진다. 영상을 생성할 때 단순한 적대적 생성 신경망을 사용하는 것이 아닌 조건(condition)을 추가하는 조건 적대적 생성 신경망[11]을 사용해 두 영상 간의 연관성을 한 번 더 제시함으로써 영상 변환의 성능을 높이고자 하였다. 또한, 일정 크기의 패치(patch)를 사용해 전체 영상의 부분적 요소에 대해 자세히 학습하는 patchGAN을 구분자에 적용시켜 생성 영상에 있어 고품질의 결과를 생성한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
인코더-디코더 방식이란? 기존 연구에서는 인코더-디코더 방식을 사용해 변환 문제를 해결했다[1]. 인코더-디코더 방식은 입력과 출력에서의 영상은 같지만 중간의 신경망을 축소함으로써 병목 현상을 일으켜 입력 영상의 특징들을 압축하는 방식이다. 이는 높은 수준의 영상 정보들이 오가는 것이 아닌 압축된 특징들과 같은 낮은 수준의 정보들을 공유하게 만들기 때문에 출력되는 영상이 훼손되거나 자연스럽지 않다는 단점을 가진다.
영상 간 변환 문제의 특징은 무엇인가? 영상 간 변환 문제는 입력 영상과 출력 영상을 매핑하는 것이 특징이다. 입력 영상과 출력 영상의 특징을 분석해 매핑하고 변환 시에 매핑한 특징들을 사용해 변환한다.
인코더-디코더 방식의 단점은 무엇인가? 인코더-디코더 방식은 입력과 출력에서의 영상은 같지만 중간의 신경망을 축소함으로써 병목 현상을 일으켜 입력 영상의 특징들을 압축하는 방식이다. 이는 높은 수준의 영상 정보들이 오가는 것이 아닌 압축된 특징들과 같은 낮은 수준의 정보들을 공유하게 만들기 때문에 출력되는 영상이 훼손되거나 자연스럽지 않다는 단점을 가진다. 이를 해결하기 위해 사용된 방법이 U-Net이다[5].
질의응답 정보가 도움이 되었나요?

참고문헌 (18)

  1. D. Pathak, P. Krahenbuhl, J. Donahue, T. Darrell, and A. A. Efros. "Context encoders: Feature learning by inpainting.", In IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016. https://doi.org/10.1109/cvpr.2016.278 

  2. J. Long, E. Shelhamer, and T. Darrell. "Fully convolutional networks for semantic segmentation." In IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2015. https://doi.org/10.1109/cvpr.2015.7298965 

  3. G. Larsson, M. Maire, and G. Shakhnarovich. "Learning representations for automatic colorization.", In Computer Vision - ECCV ,pp. 577-593, 2016. https://doi.org/10.1007/978-3-319-46493-0_35 

  4. Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, Alexei A. Efros, "Image-to-Image Translation with Conditional Adversarial Networks", In IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE., 2017. 

  5. Olaf Ronneberger, Philipp Fischer, and Thomas Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation", In Lecture Notes in Computer Science, pp.234-241, 2015. https://doi.org/10.1007/978-3-319-24574-4_28 

  6. Ozan Oktay, Jo Schlemper, Loic Le Folgoc, Matthew Lee, Mattias Heinrich, Kazunari Misawa, Kensaku Mori, Steven McDonagh, Nils Y Hammerla, Bernhard Kainz, Ben Glocker, Daniel Rueckert, "Attention U-Net: Learning Where to Look for the Pancreas", In MIDL, arXiv preprint arXiv:1804.03999, 2018. https://arxiv.org/abs/1804.03999 

  7. Md Zahangir Alom, Chris Yakopcic, Tarek M. Taha, and Vijayan K. Asari, "Nuclei Segmentation with Recurrent Residual Convolutional Neural Networks based U-Net (R2U-Net)", In NAECON - IEEE National Aerospace and Electronics Conference. IEEE, 2018. https://doi.org/10.1109/naecon.2018.8556686 

  8. Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, "Generative Adversarial Networks", In NIPS, arXiv preprint arXiv:1406.2661, 2014. https://arxiv.org/pdf/1406.2661.pdf 

  9. R. Mu, X. Zeng, "A Review of Deep Learning Research", In TIIS, Vol. 13, No.4, 2019. https://doi.org/10.3837/tiis.2019.04.001 

  10. Alec Radford & Luke Metz, "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks", In CoRR, arXiv preprint arXiv:1511.06434, 2016. https://arxiv.org/pdf/1511.06434.pdf 

  11. Mehdi Mirza, Simon Osindero, "Conditional Generative Adversarial Nets", In CoRR, arXiv preprint arXiv:1411.1784, 2014. https://arxiv.org/pdf/1411.1784.pdf 

  12. Hee-jin Yoon, Kang-jik Kim, Jun-chul Chun, "GAN-based shadow removal using context information", Journal of Internet Computing and Services, Vol. 20, No. 6, pp. 29-36, 2019. https://doi.org/10.7472/jksii.2019.20.6.29 

  13. Yao Wang, Woojin Jeong, Young Shik Moon, "Single Image Dehazing Based on Depth Map Estimation via Generative Adversarial Networks", Journal of Internet Computing and Services, Vol. 19, No. 5, pp. 43-54, 2018. https://doi.org/10.7472/jksii.2018.19.5.43 

    원문보기 상세보기

  14. Eirikur Agustsson, Michael Tschannen, Fabian Mentzer, Radu Timofte, Luc Van Gool, "Generative Adversarial Networks for Extreme Learned Image Compression", The IEEE International Conference on Computer Vision (ICCV), pp. 221-231, 2019 https://arxiv.org/pdf/1804.02958.pdf 

  15. Liqun Chen, Yizhe Zhang, Ruiyi Zhang, Chenyang Tao, Zhe Gan, Haichao Zhang, Bai Li, Dinghan Shen, Changyou Chen, Lawrence Carin, "Improving Sequence-to-Sequence Learning via Optimal Transport", In ICLR, 2019. https://arxiv.org/pdf/1901.06283.pdf 

  16. Zhang, H., Sindagi, V., & Patel, V. M. "Image De-raining Using a Conditional Generative Adversarial Network". IEEE Transactions on Circuits and Systems for Video Technology, 1-1. 2019. https://doi.org/10.1109/tcsvt.2019.2920407 

  17. Han Zhang, Ian Goodfellow, Dimitris Metaxas, Augustus Odena, "Self-Attention Generative Adversarial Networks", In CoRR, 2018. https://arxiv.org/pdf/1805.08318.pdf 

  18. Heusel, M., Ramsauer, H., Unterthiner, T., Nessler, B., & Hochreiter, S, "Gans trained by a two time-scale update rule converge to a local nash equilibrium", In Advances in Neural Information Processing Systems, pp. 6626-6637, 2017. https://arxiv.org/pdf/1706.08500.pdf 

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

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