[논문]개인 성향 추출을 위한 딥러닝 기반 SNS 리뷰 분석 방법에 관한 연구

박우진; 이주오; 이형걸; 김아연; 허승연; 안용학

doi:10.15207/jkcs.2020.11.11.009

개인 성향 추출을 위한 딥러닝 기반 SNS 리뷰 분석 방법에 관한 연구
A Study on SNS Reviews Analysis based on Deep Learning for User Tendency 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.11, 2020년, pp.9 - 17

박우진 (세종대학교 컴퓨터공학과) , 이주오 (세종대학교 컴퓨터공학과) , 이형걸 (세종대학교 컴퓨터공학과) , 김아연 (세종대학교 컴퓨터공학과) , 허승연 (세종대학교 컴퓨터공학과) , 안용학 (세종대학교 컴퓨터공학과)

초록
AI-Helper

본 논문에서는 개인의 성향을 추출하기 위한 딥러닝 기반의 SNS 리뷰 분석 방법을 제안한다. 기존의 SNS 리뷰 분석 방법은 대부분이 가장 높은 가중치를 기반으로 처리되기 때문에 여러 관심사에 대한 다양한 의견을 반영하지 못하는 문제점이 있다. 이를 해결하기 위해 제안된 방법은 음식을 대상으로 한 SNS의 리뷰에서 사용자의 개인적인 성향을 추출하기 위한 방법이다. YOLOv3 모델을 사용하여 분류체계를 작성하고, BiLSTM 모델을 통해 감성분석을 수행한 후 집합 알고리즘을 통해 다양한 개인적 성향을 추출한다. 실험 결과, YOLOv3 모델의 경우 Top-1 88.61%, Top-5 90.13%의 성능을 보여주었으며, BiLSTM 모델의 경우 90.99%의 정확도를 보여주었다. 또한, SNS 리뷰 분류에서의 개인 성향에 대한 다양성을 히트맵을 통해 시각화하여 확인하였다. 향후에는 다양한 분야에서의 개인 성향을 추출하여 사용자 맞춤 서비스나 마케팅 등에 활용될 것으로 기대된다.

Abstract ▼ AI-Helper

In this paper, we proposed an SNS review analysis method based on deep learning for user tendency. The existing SNS review analysis method has a problem that does not reflect a variety of opinions on various interests because most are processed based on the highest weight. To solve this problem, the proposed method is to extract the user's personal tendency from the SNS review for food. It performs classification using the YOLOv3 model, and after performing a sentiment analysis through the BiLSTM model, it extracts various personal tendencies through a set algorithm. Experiments showed that the performance of Top-1 accuracy 88.61% and Top-5 90.13% for the YOLOv3 model, and 90.99% accuracy for the BiLSTM model. Also, it was shown that diversity of the individual tendencies in the SNS review classification through the heat map. In the future, it is expected to extract personal tendencies from various fields and be used for customized service or marketing.

주제어

표/그림 (16)

그림 Fig. 1. Process of opinion mining using LSTM
그림 Fig. 2. Comparing object detections based on time and mAP
그림 Fig. 3. Structure of proposed system
표 Table 1. Collected food categories
표 Table 2. Text categories and search keywords
표 Table 3. The number of selected image data
그림 Table 3. The number of selected image data
그림 Fig. 5. Structure of opinion mining model
그림 Fig. 6. Pseudo-code of the algorithm
그림 Fig. 7. Top N accuracy for each epoch
표 Table 4. Experiment environment
표 Table 5. The number of training data and test data in YOLOv3 , BiLSTM model
그림 Fig. 8. Precision and Recall figures for each text categories
그림 Fig. 9. Classified SNS reviews heatmap
표 Table 6. BiLSTM model's Precision, Recall, F1-score, Accuracy
그림 Fig. 10. Input data to be entered into the proposed model

AI 본문요약
AI-Helper

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

문제 정의

또한 감성분석에서는 SNS 분석에 광범위하게 사용 가능한 감성사전이 제한적이거나 영문 위주로 만들어진 것들이 대부분이다. 따라서 본 논문에서는 감성사전을 따로 구축하지 않고 단어의 빈도를 활용하여 다양한 감성 정도를 수치화하여 적용한 감성분석 모델을 제안한다.
또한, 예측시에 Softmax Cross Entropy 대신 Binary Cross Entropy를 다중분류에 적용함으로써 조금 더 복잡한 도메인에 대한 예측성능을 높였다[16]. 본 논문에서는 객체인식기술인 YOLOv3 모델을 이용하여 음식 이미지에 대한 분류 모델을 제안한다.
본 논문은 기존의 SNS 분석에 관한 연구에서는 관심사에 대한 다양한 의견을 추출하지 못하는 점, 이미지와 텍스트 두 가지 전부에 대한 분석내용을 반영하지 못하는 점을 해결하기 위해 이미지와 텍스트를 분석하여 개인적 성향을 추출하는 SNS 리뷰 분석 시스템을 제안하였다. 리뷰에서의 이미지 분석을 위해 YOLOv3 모델을 사용하였으며 일반적으로 사람들이 쉽게 접할 수 있는 음식을 선별하여 총 42가지의 음식 데이터를 학습시켰다.
이러한 문제점을 해결하기 위해 본 논문에서는 딥러닝의 객체 인식 기술 및 감성분석 기술을 사용하여 SNS 리뷰를 분석해 개인의 다양한 성향을 추출할 수 있도록 한다. 제안된 방법은 이미지 분류를 위해 객체 인식을 이용하여 약 42,300개의 음식 이미지 데이터 및 종류를 카테고라이징(categorizing)하여 모델을 설정하고, 텍스트분류를 위해 감성분석을 이용하여 109,734개의 리뷰 데이터를 학습 후 집합 알고리즘을 통해 성향을 추출한다.

제안 방법

객체 인식 모델 구축을 위한 이미지 데이터 수집의 경우 Python의 BeautifulSoup, Selenium 라이브러리와 네이버 검색 API, Bing Image Search API를 이용하여 일반적으로 사람들이 쉽게 접할 수 있는 음식인 비빔밥, 비빔국수, 불고기 등 총 42개의 음식 종류에 해당하는 이미지 총 10만 건을 크롤링하였다. 수집한 42개의 음식종류 및 이미지는 Table 1과 같다.
YOLOv3는 YOLOv2를 바탕으로 발전된 모델로 YOLOv2가 이미지에서 작은 크기의 객체를 검출하기 어려운 점을 해결하기 위하여 3개의 다른 크기의 예측 Bounding Box를 사용하여 예측하는 방식이다. 또한, 예측시에 Softmax Cross Entropy 대신 Binary Cross Entropy를 다중분류에 적용함으로써 조금 더 복잡한 도메인에 대한 예측성능을 높였다[16]. 본 논문에서는 객체인식기술인 YOLOv3 모델을 이용하여 음식 이미지에 대한 분류 모델을 제안한다.
리뷰에서의 이미지 분석을 위해 YOLOv3 모델을 사용하였으며 일반적으로 사람들이 쉽게 접할 수 있는 음식을 선별하여 총 42가지의 음식 데이터를 학습시켰다. 또한, 텍스트에서 음식에 대한 표현과 장소에 대한 분위기를 포함한 14가지의 텍스트 카테고리를 분류하기 위해 BiLSTM을 기반으로 한 감성분석 모델을 구축하였다. 최종적으로, 구축된 모델에서 입력을 통해 분류된 카테고리는 집합 알고리즘을 통해 사용자의 성향을 추출하게 된다.
먼저, 딥러닝 모델 구축을 위해 이미지 및 텍스트 데이터를 수집 후 정제과정을 통해 관련 없는 데이터를 삭제한다. 이미지 데이터의 개수의 제약 문제는 이미지를 증식하여 해결한 후 각 데이터를 이용하여 감성분석 및 객체 인식 모델을 학습한다.
리뷰로부터 형태소가 태깅된 단어들을 추출하고 추출된 단어들을 Word2Vec의 Skip-gram 방식[18]을 통해 벡터들로 임베딩한다. 본 논문에서는 Skip-gram 방식에서 한 번에 학습할 단어의 개수를 뜻하는 window의 크기를 5로 지정하여 모델을 생성하였다. 임베딩 과정에서 정확도를 높이기 위해 출현 빈도가 10번 미만인 단어는 분석에서 제외하였으며, 임베딩 벡터의 크기는 300으로 진행하였다.
이러한 학습이미지 개수의 제약문제를 해결 할 수 있는 방법 중에는 데이터 증식(Data Augmentation) 기법[17]이 있다. 본 논문에서는 Zoom(원본 이미지 확대, 축소), Flip(원본 이미지 좌우 대칭, 상하 대칭), Rotation(원본 이미지 기울이기), Shift(원본 이미지 상하좌우로 이동)를 음식 이미지에 무작위로 적용하여 학습 이미지의 개수를 늘렸다. 즉, 42개의 음식 카테고리 각각의 이미지 개수를 1100개로 추가 생성하여 총 47,000개의 이미지로 데이터 증식을 하였으며 해당 데이터 모두 Annotation 작업을 적용하였다.
본 논문에서는 제안한 YOLOv3 모델과 BiLSTM 모델을 이용하여 SNS 리뷰 카테고리 추출 후 집합 알고리즘을 통해 사용자의 성향을 추출한다. 해당 과정은 다음 Fig.
먼저, 딥러닝 모델 구축을 위해 이미지 및 텍스트 데이터를 수집 후 정제과정을 통해 관련 없는 데이터를 삭제한다. 이미지 데이터의 개수의 제약 문제는 이미지를 증식하여 해결한 후 각 데이터를 이용하여 감성분석 및 객체 인식 모델을 학습한다. 입력된 리뷰 데이터는 구축된 모델을 통해 카테고리가 분류되고 각각의 카테고리는 집합 알고리즘을 거쳐 사용자의 개인적 성향을 추출하는 구조이다.
정밀도와 재현율 둘 다 가장 높은 활동적인 카테고리의 경우 해당 카테고리에서 출현한 단어의 종류가 다른 카테고리들과 명확히 구분되었기 때문에 해당 수치가 제일 높은 것으로 분석하였다. 또한 정밀도가 가장 낮은 감칠맛 카테고리와 재현율이 가장 낮은 식감 카테고리의 오분류된 결과를 분석해보았는데 두 카테고리 전부 단맛, 매운맛 등 다른 카테고리로 오분류되는 경우가 매우 많았다.
이러한 문제점을 해결하기 위해 본 논문에서는 딥러닝의 객체 인식 기술 및 감성분석 기술을 사용하여 SNS 리뷰를 분석해 개인의 다양한 성향을 추출할 수 있도록 한다. 제안된 방법은 이미지 분류를 위해 객체 인식을 이용하여 약 42,300개의 음식 이미지 데이터 및 종류를 카테고라이징(categorizing)하여 모델을 설정하고, 텍스트분류를 위해 감성분석을 이용하여 109,734개의 리뷰 데이터를 학습 후 집합 알고리즘을 통해 성향을 추출한다.
본 논문에서는 Zoom(원본 이미지 확대, 축소), Flip(원본 이미지 좌우 대칭, 상하 대칭), Rotation(원본 이미지 기울이기), Shift(원본 이미지 상하좌우로 이동)를 음식 이미지에 무작위로 적용하여 학습 이미지의 개수를 늘렸다. 즉, 42개의 음식 카테고리 각각의 이미지 개수를 1100개로 추가 생성하여 총 47,000개의 이미지로 데이터 증식을 하였으며 해당 데이터 모두 Annotation 작업을 적용하였다.
9의 히트맵을 통해 확인한다. 해당 히트맵은 41,984개의 SNS 리뷰 데이터의 결과 수치를 합산 후 정규화하여 시각화하였다. 가성비 카테고리는 김밥, 김치볶음밥과 같은 분식 메뉴에서 주로 나타났으며, 감성 카테고리는 까르보나라, 스테이크와 같이 양식메뉴에서 해당 수치가 높았다.

대상 데이터

본 논문의 실험을 위해 YOLOv3 모델의 경우 총 47,000개의 음식 이미지 데이터 중 90% 학습데이터로 사용하였으며 나머지 10%를 테스트 데이터로 사용하였다. BiLSTM 모델의 경우 수집한 텍스트 데이터 총 121,927건의 음식점 리뷰 중 90%를 학습데이터로 사용하였으며 나머지 10%를 테스트 데이터로 사용한다. Table 5는 각 모델에서 사용한 학습 및 테스트 데이터의 개수를 나타낸다.
감성분석 모델 구축을 위한 텍스트 데이터 수집의 경우 네이버 검색 API를 이용하여 정의한 14개의 텍스트 카테고리에 해당하는 블로그 음식점 리뷰 총 13만 건을 수집하였다. 14개의 카테고리는 음식에 대한 표현과 장소에 대한 분위기 등을 범주에 두어 나누었으며 카테고리 목록 및 해당 카테고리에 대한 검색 키워드는 Table 2와 같다.
58%로 전보다 성능이 하향되는 결과를 내었다. 따라서 가장 높은 성능을 보여주는 100,000 Epoch의 모델을 최종 모델로 선정하였다.
전처리된 텍스트는 한국어 정보 처리를 위한 패키지인 Konlpy의 Twitter 라이브러리를 사용하여 수집된 데이터를 단어로 분리하고 품사를 태깅한다. 리뷰가 너무 짧은 경우 명확한 분류가 어렵기 때문에 형태소 분석 후 토큰이 5개 이상인 리뷰만 분석 대상으로 사용하였다. 리뷰로부터 형태소가 태깅된 단어들을 추출하고 추출된 단어들을 Word2Vec의 Skip-gram 방식[18]을 통해 벡터들로 임베딩한다.
본 논문은 기존의 SNS 분석에 관한 연구에서는 관심사에 대한 다양한 의견을 추출하지 못하는 점, 이미지와 텍스트 두 가지 전부에 대한 분석내용을 반영하지 못하는 점을 해결하기 위해 이미지와 텍스트를 분석하여 개인적 성향을 추출하는 SNS 리뷰 분석 시스템을 제안하였다. 리뷰에서의 이미지 분석을 위해 YOLOv3 모델을 사용하였으며 일반적으로 사람들이 쉽게 접할 수 있는 음식을 선별하여 총 42가지의 음식 데이터를 학습시켰다. 또한, 텍스트에서 음식에 대한 표현과 장소에 대한 분위기를 포함한 14가지의 텍스트 카테고리를 분류하기 위해 BiLSTM을 기반으로 한 감성분석 모델을 구축하였다.
본 논문에서 제시한 SNS 리뷰 분석 모델은 객체 인식 모델인 YOLO v3와 감성분석 모델인 BiLSTM으로 구성되어 있다. 객체 인식 모델에서는 음식 이미지 분류를 위해 여러 버전의 YOLO 모델 중에서 YOLOv3 모델을 사용하였다.
YOLOv3에서는 Darknet-53의 아키텍처 두 개를 이용하여 총 106개의 Layer를 활용하여 학습하게 된다. 본 논문에서 학습을 진행한 클래스는 총 42개로 이며 마지막 컨볼루션 레이어의 필터 수는 141개이다. YOLOv3모델에 대한 파라미터로 Batch size는 64, Learning rate는 0.
본 논문의 실험을 위해 YOLOv3 모델의 경우 총 47,000개의 음식 이미지 데이터 중 90% 학습데이터로 사용하였으며 나머지 10%를 테스트 데이터로 사용하였다. BiLSTM 모델의 경우 수집한 텍스트 데이터 총 121,927건의 음식점 리뷰 중 90%를 학습데이터로 사용하였으며 나머지 10%를 테스트 데이터로 사용한다.
14개의 카테고리는 음식에 대한 표현과 장소에 대한 분위기 등을 범주에 두어 나누었으며 카테고리 목록 및 해당 카테고리에 대한 검색 키워드는 Table 2와 같다. 수집한 데이터 중 내용이 중복되거나 빈 공백으로 채워져 있는 것, 한글 외의 부호를 제거한 후 정제하여 총 121,927건의 음식점 리뷰를 추출하였다.
수집한 42개의 음식종류 및 이미지는 Table 1과 같다. 수집한 이미지 중 정확한 음식 이미지만을 분류하여 총 12,967개의 이미지 데이터를 수집하였다.
전처리된 텍스트는 한국어 정보 처리를 위한 패키지인 Konlpy의 Twitter 라이브러리를 사용하여 수집된 데이터를 단어로 분리하고 품사를 태깅한다. 리뷰가 너무 짧은 경우 명확한 분류가 어렵기 때문에 형태소 분석 후 토큰이 5개 이상인 리뷰만 분석 대상으로 사용하였다.

이론/모형

BiLSTM 모델의 평가를 위해 분류 성능 평가 지표라고 불리는 Precision(정밀도), Recall(재현율), Accuracy(정확도), F-measure를 사용한다. 이는 분류분석에서 흔하게 사용하는 것들로 이미 여러 선행연구에서 사용되고 있는 지표들이다.
YOLOv3 모델 평가를 위해 이미지 분류 모델 평가에 사용되는 Top-N 정확률을 이용한다. Top-N 정확률 실험은 평가결과가 상위 N값에 속하는 빈도를 측정하는 실험이며, Top-1 정확률은 평가 결과 정답이 가장 상위 예측결과와 일치하는 정확률, Top-5 정확률은 상위순위 5개의 평가 결과에 정답이 포함되는 정확률이다.
감성분석 모델의 경우 리뷰에 대한 카테고리 분류를 위해 양방향 LSTM 모델인 BiLSTM 을 사용하였다. 다음 Fig.
본 논문에서 제시한 SNS 리뷰 분석 모델은 객체 인식 모델인 YOLO v3와 감성분석 모델인 BiLSTM으로 구성되어 있다. 객체 인식 모델에서는 음식 이미지 분류를 위해 여러 버전의 YOLO 모델 중에서 YOLOv3 모델을 사용하였다. YOLO v3에서 사용된 Darknet 아키텍처는 Darknet-53으로 불리며 이전 버전인 YOLOv2에서 사용하던 아키텍처인 Darknet-19에서 확장된 구조이다.
리뷰가 너무 짧은 경우 명확한 분류가 어렵기 때문에 형태소 분석 후 토큰이 5개 이상인 리뷰만 분석 대상으로 사용하였다. 리뷰로부터 형태소가 태깅된 단어들을 추출하고 추출된 단어들을 Word2Vec의 Skip-gram 방식[18]을 통해 벡터들로 임베딩한다. 본 논문에서는 Skip-gram 방식에서 한 번에 학습할 단어의 개수를 뜻하는 window의 크기를 5로 지정하여 모델을 생성하였다.
001, Max epoch size는 200,000, Classes는 42로 진행하였다. 미리 학습된 가중치 모델로 Darknet-53을 사용하여 추가 학습을 진행하였다.

성능/효과

13%이다. 50,000 Epoch 모델보다 100,000 Epoch 모델이 더 좋은 성능을 내었으며 150,000 Epoch의 경우 Top-1의 경우 86.45% Top-5는 88.58%로 전보다 성능이 하향되는 결과를 내었다. 따라서 가장 높은 성능을 보여주는 100,000 Epoch의 모델을 최종 모델로 선정하였다.
99%의 정확도를 보여주었으며 해당 지표를 통해 카테고리 분류에 있어서 높은 성능을 보여준다는 걸 알 수 있다. 또한, SNS 리뷰 분류에서의 개인 성향에 대한 다양성을 히트맵을 통해 시각화하여 확인하였으며 성향에 대한 여러 특징값을 반영함을 알 수 있었다. 하지만 본 논문에서는 정의한 이미지 카테고리와 텍스트 카테고리의 조합으로만 사용자의 성향을 분류할 수 있어 일상, 문화 활동 등 다양한 범주의 SNS 게시글을 분석하지 못한다는 한계점이 있다.
모델 성능 평가 결과 YOLOv3 모델의 경우 Top-1 정확률은 88.61%, Top-5 정확률은 90.13%이며, BiLSTM 모델의 경우 90.99%의 정확도를 보여주었으며 해당 지표를 통해 카테고리 분류에 있어서 높은 성능을 보여준다는 걸 알 수 있다. 또한, SNS 리뷰 분류에서의 개인 성향에 대한 다양성을 히트맵을 통해 시각화하여 확인하였으며 성향에 대한 여러 특징값을 반영함을 알 수 있었다.
테스트 데이터의 평가 결과는 정밀도에서 90.94%, 재현율에서는 90.92%, F1-Score은 90.93%, 정확도 90.99%, 으로 측정되었다.
해당 리뷰의 분류 결과는 이와 같다. 텍스트의 경우 분류된 상위 3개 카테고리로는 매운맛 32.78%, 감성 20.99%, 가성비 14.08% 등으로 나타났으며 이미지의 경우 떡볶이 93.12%로 분류되었다. 해당 카테고리들이 구현된 알고리즘을 통해 나온 최종 결과는 이와 같다.
활동적인 카테고리는 정밀도 98.22% 재현율 96.38%로 두 수치 모두 전체 카테고리 중 가장 높았으며 감칠맛 카테고리는 정밀도에 있어서 76.41%로 가장 낮았으며 식감 카테고리는 재현율 84.82%로 가장 낮았다.

후속연구

향후에는 제안한 방법을 통해 음식뿐만 아니라 영화, 패션, 스포츠 등 다양한 분야의 SNS 게시글에 대한 사용자의 성향 분류로 확장된다면 해당 성향 분류를 통한 사용자 맞춤 서비스나 마케팅 등으로 활용될 것으로 기대된다. 나아가 제안하는 방법을 통해 사용자의 개인적 성향을 반영한 추천 플랫폼 설계에 관한 연구를 진행할 계획이다.
또한, SNS 리뷰 분류에서의 개인 성향에 대한 다양성을 히트맵을 통해 시각화하여 확인하였으며 성향에 대한 여러 특징값을 반영함을 알 수 있었다. 하지만 본 논문에서는 정의한 이미지 카테고리와 텍스트 카테고리의 조합으로만 사용자의 성향을 분류할 수 있어 일상, 문화 활동 등 다양한 범주의 SNS 게시글을 분석하지 못한다는 한계점이 있다.
향후에는 제안한 방법을 통해 음식뿐만 아니라 영화, 패션, 스포츠 등 다양한 분야의 SNS 게시글에 대한 사용자의 성향 분류로 확장된다면 해당 성향 분류를 통한 사용자 맞춤 서비스나 마케팅 등으로 활용될 것으로 기대된다. 나아가 제안하는 방법을 통해 사용자의 개인적 성향을 반영한 추천 플랫폼 설계에 관한 연구를 진행할 계획이다.

참고문헌 (18)

H. Rheingold. (2012). Net smart : how to thrive online. Massachusetts. MIT Press.
J. S. Yoon & H. Y. Ryoo. (2019). Characteristics of Images in Image-based SNS and User Satisfaction - Focusing on Instagram and Pinterest -. Jourmal of the HCI Society of Korea, 14(1), 5-13. DOI : 10.17210/jhsk.2019.02.14.1.5

원문보기 상세보기
M. J. Nam, J. I. Kim & J. H. Shin. (2014). A User Emotion Information Measurement using Image and Text on Instagram-Based. Journal of Korea Multimedia Society, 17(9), 1125-1133. DOI : 10.9717/kmms.2014.17.9.1125

원문보기 상세보기
J. I. Kim, D. J. Choi, B. K. Ko, E. J. Lee & P. K. Kim. (2014). Extracting User Interests on Facebook. International Journal of Distributed Sensor Networks, 10(6), 1-5. DOI : 10.1155/2014/146967

상세보기
C. H. Lee, D. H. Choi, S. S. Kim & S. W. Kang. (2013). Classification and Analysis of Emotion in Korean Microblog Texts. Journal of Korean Institute of information Scientists and Engineers, 40(3), 159-167.
H. T. Kim. (2018). Extraction of individual interests based on SNS analysis using Deep Learning. Master dissertation. Soongsil University. Seoul.
J. K. Son & D. Y. Won. (2019). A Study on Abnormal Delivery Food Review Image Detection System Based on Deep Learning Algorithms. Korea Software Congress 2019, 2019(12), 751-753.
H. J. Lee & J. Y. Choi. (2019). Sentiment Analysis of Twitter Reviews toward Convenience Stores Customer in Korea. Academic Society of Global Business Administration, 16(4), 143-164.

상세보기
A. Krizhevsky et al. (2012. December). ImageNet Classification with Deep Convolutional Neural Networks. Neural Information Processing Systems Conference. (pp. 1097-1105).
R. Girshick et al. (2014. June). Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. IEEE Conference on Computer Vision and Pattern Recognition Computer Vision and Pattern Recognition(CVPR). (pp. 580-587).
R. Girshick. (2015. December). Fast R-CNN. IEEE International Conference on Computer Vision(ICCV). (pp. 1440-1448).
S. Ren et al. (2017). Faster R-CNN: Towards RealTime Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137-1149. DOI : 10.1109/tpami.2016.2577031

상세보기
J. Redmon et al. (2016. June). You only look once: Unified, real-time object detection. IEEE Conference on Computer Vision and Pattern Recognition. (pp. 779-788).
J. Redmon & A. Farhadi. (2017. July). YOLO9000: Better, faster, stronger. IEEE Conference on Computer Vision and Pattern Recognition. (pp. 7263-7271).
J. Redmon & A. Farhadi. (2018). Yolov3: An incremental improvement.
B. Benjdira, T. Khursheed, A. Koubaa, A. Ammar & K. Ouni. (2019. March). Car detection using unmanned aerial vehicles: Comparison between faster r-cnn and yolov3. IEEE 1st International Conference on Unmanned Vehicle Systems-Oman (UVS). (pp. 1-6).
L. Perez & J. Wang. (2017). The effectiveness of data augmentation in image classification using deep learning.
T. Mikolov, I. Sutskever, K. Chen, G. Corrado & J. Dean. (2013). Distributed Representations of Words and Phrases and their Compositionality

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