$\require{mediawiki-texvc}$

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.

eGAN 모델의 성능개선을 위한 에지 검출 기법
An Edge Detection Technique for Performance Improvement of eGAN 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.10 no.3, 2021년, pp.109 - 114  

이초연 (한국방송통신대학원 정보과학과) ,  박지수 (전주대학교 컴퓨터공학과) ,  손진곤 (한국방송통신대학원 컴퓨터과학과)

초록
AI-Helper 아이콘AI-Helper

GAN(Generative Adversarial Network, 생성적 적대 신경망)은 이미지 생성모델로서 생성기 네트워크와 판별기 네트워크로 구성되며 실제 같은 이미지를 생성한다. GAN에 의해 생성된 이미지는 실제 이미지와 유사해야 하므로 생성된 이미지와 실제 이미지의 손실 오차를 최소화하는 손실함수(loss function)를 사용한다. 그러나 GAN의 손실함수는 이미지를 생성하는 학습을 불안정하게 만들어 이미지의 품질을 떨어뜨린다는 문제점이 있다. 이러한 문제를 해결하기 위해 본 논문에서는 GAN 관련 연구를 분석하고 에지 검출(edge detection)을 이용한 eGAN(edge GAN)을 제안한다. 실험 결과 eGAN 모델이 기존의 GAN 모델보다 성능이 개선되었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

GAN(Generative Adversarial Network) is an image generation model, which is composed of a generator network and a discriminator network, and generates an image similar to a real image. Since the image generated by the GAN should be similar to the actual image, a loss function is used to minimize the ...

주제어

#생성적 적대 신경망   #손실 함수   #에지 검출  

표/그림 (4)

참고문헌 (11)

  1. Y. J. Choi, "Deep Learning Approach for Generating Photorealistic Facial Images," Department of Media Engineering, Sogang University Graduate School of Media Studies. Doctoral dissertation, 2017. 

  2. I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozairy, A. Courville, and Y. Bengioz, "Generative Adversarial Nets," Advances in neural Information Processing Systems, pp.2672-2680, 2014. 

  3. Y. J. Cao, L. L. Jia, Y. X. Chen, N. Lin, C. Yang, and B. Zhang, "Recent Advances of Generative Adversarial Networks in Computer Vision," IEEE Access, Vol.7, pp.14985-15006, 2018. 

    상세보기 crossref

  4. M. Mirza and S. Osindero, "Conditional generative adversarial nets," https://arxiv.org/abs/1411.1784 2019. 

  5. Patterson, J. Zhao, M. Mathieu, and Y. Lecun, "Energy-based generative adversarial network," https://arxiv.org/pdf/1609.03126, 2019. 

  6. D. Berthelot, T. Schumm, and L. Metz, "BEGAN: Boundary Equilibrium Generative Adversarial Networks," arXiv: 1703.10717, 2019. 

  7. J. Dong, R. Yin, X. Sun, Q. Li, Y. Yang, and X. Qin, "Inpainting of Remote Sensing SST Images With Deep Convolutional Generative Adversarial Network," IEEE Geoscience and Remote Sensing Letters, Vol.16, No.2, pp.173-177, 2019. 

    상세보기 crossref

  8. M. Arjovsky, S. Chintala, and L. Bottou. "Wasserstein GAN," https://arxiv.org/abs/1701.07875 2019 

  9. I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin, and A. Courville, "Improved training of Wasserstein GANs," https://arxiv.org/pdf/1606.0349 2019. 

  10. X. Mao, Q. Li, H. Xie, RYK. Lau, Z. Wang, and S. P. Smolley, "Least Squares Generative Adversarial Networks," The IEEE International Conference on Computer Vision (ICCV), pp.2794-2802, 2017. 

  11. J. canny, "A Computational Approach to Edge Detection," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.PAMI-8, Iss.6, pp.679-697, 1986. 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 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