[논문]Triplet Loss 기반 딥러닝 모델을 통한 유사 아동 그림 선별 알고리즘

문지유; 김민종; 이성옥; 유용균

doi:10.9723/jksiis.2022.27.1.001

Triplet Loss 기반 딥러닝 모델을 통한 유사 아동 그림 선별 알고리즘
A deep learning model based on triplet losses for a similar child drawing selection algorithm 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.27 no.1, 2022년, pp.1 - 9

문지유 (한국원자력연구원 인공지능응용연구실, 이화여자대학교) , 김민종 (한국원자력연구원 인공지능응용연구실) , 이성옥 (주식회사 티엔에프에이아이) , 유용균 (한국원자력연구원 인공지능응용연구실)

초록
AI-Helper

본 논문은 유사 아동 그림 선별 알고리즘 생성을 위한 Triplet Loss 기반 딥러닝 모델설계를 목적으로 한다. 아동 그림들 사이 유사성 측정을 위해서는 동일 클래스에 속하는 그림 간 특징 벡터의 거리는 가까워야 하고 다른 클래스 간 특징 벡터의 거리는 멀어져야 한다. 따라서, 본 연구에서는 클래스 수가 많아지는 경우에 이미지 유사성 측정에 이점을 지닌 Triplet Loss와 잔여 네트워크(ResNet)를 결합한 딥러닝 모델을 구축하여 유사 아동 그림 선별 알고리즘을 생성하였다. 결론적으로 본 모델을 활용한 유사 아동 그림 선별 알고리즘을 통해 대상 아동 그림과 다른 그림 간의 유사성을 측정하고 유사성이 높은 그림을 선별할 수 있다.

Abstract ▼ AI-Helper

The goal of this paper is to create a deep learning model based on triplet loss for generating similar child drawing selection algorithms. To assess the similarity of children's drawings, the distance between feature vectors belonging to the same class should be close, and the distance between feature vectors belonging to different classes should be greater. Therefore, a similar child drawing selection algorithm was developed in this study by building a deep learning model combining Triplet Loss and residual network(ResNet), which has an advantage in measuring image similarity regardless of the number of classes. Finally, using this model's similar child drawing selection algorithm, the similarity between the target child drawing and the other drawings can be measured and drawings with a high similarity can be chosen.

주제어

표/그림 (9)

그림 Fig. 1 Triplet Loss Learning Process
그림 Fig. 2 Residual Block Structure
표 Table 1 ResNet-152 Structure
그림 Fig. 3 Triplet Loss based Deep-learning Model Structure
그림 Fig. 4 Process of Similar Child Drawing Selection Algorithm
그림 Fig. 5 Example of Images by Class
그림 Fig. 6 Training Results Using Triplet Loss
그림 Fig. 7 Example of Similarity Image extraction
표 Table 2 Accuracy of Each Machine Learning Method

참고문헌 (9)

A. Krizhevsky, I. Sutskever, and G. E. Hinton. (2012). Imagenet classification with deep convolutional neural networks, In Advances in neural information processing systems (pp.1097-1105)
F. Schroff, D. Kalenichenko, and J. Philbin. (2015). Facenet: A unified embedding for face recognition and clustering, Proceedings of the IEEE conference on computer vision and pattern recognition,
G. Koch, R. Zemel, and R. Salakhutdinov. (2015). Siamese neural networks for one-shot image recognition, ICML deep learning workshop, vol. 2
Grishick, R., Donahue, J., Darrell, T., & Malik, J.(2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 580-587)
K. He, X. Zhang, S. Ren, and J. Sun. (2016). Deep residual learning for image recognition, In Conference on Computer Vision and Pattern Recognition (CVPR), IEEE (pp. 770-778).
K. Simonyan, and A. Zisserman. (2014). Very deep convolutional networks for large-scale image recognition, arXiv preprint arXiv:1409.1556
Park, J., Shin, S., Kim, J. Y., Park, K. H., Lee, S., Jeon, M., Kim, S. (2019). Preliminary Research of HTP Sentiment Analysis Automation on Children's Drawings. The HCI Society of Korea conference, 867-871
Szegedy, Christian, et al. (2015). Going deeper with convolutions, Proceedings of the IEEE conference on computer vision and pattern recognition.
Yim, J., Lee, S.-O., Kim, K.-P., & Yu, Y. (2021). Application of object detection algorithm for psychological analysis of children's drawing. Journal of the Korea Industrial Information Systems Research, 26(5), 1-9.

원문보기 상세보기

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