[논문]고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘 연구

이협건; 김영운

doi:10.17661/jkiiect.2023.16.1.41

고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘 연구
Study of Improved CNN Algorithm for Object Classification Machine Learning of Simple High Resolution Image 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.16 no.1, 2023년, pp.41 - 49

이협건 (Dept. of Big Data, Seoul Gangseo Campus of Korea Polytechnics College) , 김영운 (Dept. of Big Data, Seoul Gangseo Campus of Korea Polytechnics College)

초록
AI-Helper

CNN(Convolutional Neural Network) 알고리즘은 인공신경망 구현에 활용되는 대표적인 알고리즘으로 기존 FNN(Fully connected multi layered Neural Network)의 문제점인 연산의 급격한 증가와 낮은 객체 인식률을 개선하였다. 그러나 IT 기기들의 급격한 발달로 최근 출시된 스마트폰 및 태블릿의 카메라에 촬영되는 이미지들의 최대 해상도는 108MP로 약 1억 8백만 화소이다. 특히 CNN 알고리즘은 고해상도의 단순 이미지를 학습 및 처리에 많은 비용과 시간이 요구된다. 이에 본 논문에서는 고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘을 제안한다. 제안하는 알고리즘은 고해상도의 이미지들의 학습모델 생성 시간을 감소하기 위해 CNN 알고리즘의 풀링계층의 Max Pooling 알고리즘 연산을 위한 인접 행렬 값을 변경한다. 변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다. 성능평가 결과, 제안하는 알고리즘의 학습 모델의 생성 시간은 12MP 기준 약 36.26%의 감소하고, 학습 모델의 객체 분류 정확도와 손실률은 기존 모델 대비 약 1% 이내로 오차 범위 안에 포함되어 크게 문제가 되지 않는다. 향후 본 연구에서 사용된 학습 데이터보다 다양한 이미지 종류 및 실제 사진으로 학습 모델을 구현한 실질적인 검증이 필요하다.

Abstract ▼ AI-Helper

A convolutional neural network (CNN) is a representative algorithm for implementing artificial neural networks. CNNs have improved on the issues of rapid increase in calculation amount and low object classification rates, which are associated with a conventional multi-layered fully-connected neural network (FNN). However, because of the rapid development of IT devices, the maximum resolution of images captured by current smartphone and tablet cameras has reached 108 million pixels (MP). Specifically, a traditional CNN algorithm requires a significant cost and time to learn and process simple, high-resolution images. Therefore, this study proposes an improved CNN algorithm for implementing an object classification learning model for simple, high-resolution images. The proposed method alters the adjacency matrix value of the pooling layer's max pooling operation for the CNN algorithm to reduce the high-resolution image learning model's creation time. This study implemented a learning model capable of processing 4, 8, and 12 MP high-resolution images for each altered matrix value. The performance evaluation result showed that the creation time of the learning model implemented with the proposed algorithm decreased by 36.26% for 12 MP images. Compared to the conventional model, the proposed learning model's object recognition accuracy and loss rate were less than 1%, which is within the acceptable error range. Practical verification is necessary through future studies by implementing a learning model with more varied image types and a larger amount of image data than those used in this study.

주제어

표/그림 (12)

그림 그림 1. CNN 알고리즘 구조 Fig. 1. Structure of the CNN algorithm
그림 그림 2. 학습 모델 구현을 위한 학습 데이터 예 Fig. 2. Example of the learning data for machine learning model
그림 그림 3. Max Pooling 알고리즘의 예 Fig. 3. Example of the max pooling algorithm
그림 그림 4. 3×3 설정된 Pooling 객체의 생성자 함수 Fig. 4. Constructor method of pooling object
그림 그림 5. 제안하는 알고리즘을 구현한 학습 모델 구조의 의사 코드 Fig. 5. Pseudo code of the machine learning model layer for proposal algorithm
그림 그림 6. CNN 알고리즘 구조 Fig. 6. The structure of the CNN algorithm
표 표 1. 실험 환경 Table 1. Experiment environment
표 표 2. 이미지 해상도별 풀링 크기에 따른 학습모델 생성 시간 분석 결과 Table 2. Result of the create time of machine learning model by pooling size
그림 그림 7. 이미지 해상도별 풀링 크기에 따른 학습모델의 정확도 분석 결과 Fig. 7. Result of accuracy of the machine learning model by pooling size
표 표 3. 이미지 해상도별 풀링 크기에 따른 학습모델의 정확도 분석 결과 Table 3. Result of accuracy of the machine learning model by pooling size
표 표 4. 이미지 해상도별 풀링 크기에 따른 학습모델의 손실률 분석 결과 Table 4. Result of the loss rate of machine learning model by pooling size
그림 그림 8. 이미지 해상도별 풀링 크기에 따른 학습모델의 손실률 분석 결과 Fig. 8. Result of the loss rate of machine learning model by pooling size

AI 본문요약
AI-Helper

문제 정의

본 장에서는 앞서 요구사항 분석을 결과를 기반으로 고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘을 제안한다.
이에 본 논문에서는 고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘을 제안한다.

제안 방법

변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다. 또한 구현한 학습 모델들은 적합성, 생성 시간, 정확도, 손실률을 평가한다.
변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다. 또한 구현한 학습 모델들은 적합성, 생성 시간, 정확도, 손실률을 평가한다.
제안하는 기법은 고해상도의 이미지들의 학습모델 생성 시간을 감소하기 위해 CNN 알고리즘의 풀링 계층의 Max Pooling 알고리즘의 연산을 위한 인접 행렬 값을 변경한다. 변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다. 또한 구현한 학습 모델들은 적합성, 생성 시간, 정확도, 손실률을 평가한다.
제안하는 기법은 고해상도의 이미지들의 학습모델 생성 시간을 감소하기 위해 CNN 알고리즘의 풀링 계층의 Max Pooling 알고리즘의 연산을 위한 인접 행렬 값을 변경한다. 변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다. 또한 구현한 학습 모델들은 적합성, 생성 시간, 정확도, 손실률을 평가한다.
본 장에서는 제안하는 개선된 CNN 알고리즘의 성능평가를 위해 학습모델 생성 시간, 생성된 학습 모델의 정확도, 손실률을 분석한다.
본 장에서는 제안하는 알고리즘에 활용되는 CNN 알고리즘 이해 및 구성, FNN 알고리즘에 대해 살펴보고, 단순 이미지의 객체 분류에 대한 요구사항을 도출한다.
제안하는 기법은 고해상도의 이미지들의 학습모델 생성 시간을 감소하기 위해 CNN 알고리즘의 풀링 계층의 Max Pooling 알고리즘의 연산을 위한 인접 행렬 값을 변경한다. 변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다.
제안하는 기법은 고해상도의 이미지들의 학습모델 생성 시간을 감소하기 위해 CNN 알고리즘의 풀링 계층의 Max Pooling 알고리즘의 연산을 위한 인접 행렬 값을 변경한다. 변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다.
제안하는 알고리즘은 학습 모델 생성에 필요한 이미지들의 해상도에 따라 Max Pooling의 인접 행렬 범위를 유동적으로 변경이 필요하다. 제안하는 인접 행렬의 범위는 3×3과 4×4 범위를 추가하여 기존 2×2를 포함하여 총 3가지를 적용한다.
제안하는 인접 행렬의 범위는 3×3과 4×4 범위를 추가하여 기존 2×2를 포함하여 총 3가지를 적용한다. 추가한 범위에 따른 높은 해상도별 학습 모델을 구현하고, 학습 모델 적합성과 성능 분석한다.
학습 데이터는 높은 해상도의 이미지로 4MP(2,688×1520), 8MP(3,840×2,160), 12MP(4,032×3,024)) 3가지를 동일한 이미지로 1,000장씩 해상도만 변경하여 사용한다

대상 데이터

검증 방법은 학습 모델 평가 지표인 정확도와 손실률을 분석한다. 검증 데이터는 학습 데이터의 20%인 200장의 이미지로 정의하고, 학습 데이터는 나머지 80%인 800장의 이미지로 학습 모델을 구현한다.
제안하는 알고리즘을 구현하기 위한 학습 데이터는 고해상도 단순 이미지로 문자 이미지 데이터를 사용한다.
학습 횟수는 15회, 배치 크기는 128로 정의하여 학습모델을 생성한다. 학습데이터는 동일한 이미지 1,000장씩 4MP, 8MP, 12MP로 해상도만 다르게 생성된 단순 문자 이미지이다. 학습용 데이터와 검증용 데이터셋 비중은 80:20으로 800장이 학습용 데이터, 200장이 검증용 데이터이다.
학습 데이터는 높은 해상도의 이미지로 4MP(2,688×1520), 8MP(3,840×2,160), 12MP(4,032×3,024)) 3가지를 동일한 이미지로 1,000장씩 해상도만 변경하여 사용한다. 학습에 사용된 분류는 대문자 A부터 Z까지 총 10가지로 각 문자별 100장씩 학습 및 검증에 활용한다.
학습데이터는 동일한 이미지 1,000장씩 4MP, 8MP, 12MP로 해상도만 다르게 생성된 단순 문자 이미지이다. 학습용 데이터와 검증용 데이터셋 비중은 80:20으로 800장이 학습용 데이터, 200장이 검증용 데이터이다.

데이터처리

앞서 제시한 학습 모델의 구현이 올바른지 적합성을 평가하기 위해 학습 모델 생성 결과를 검증한다. 검증 방법은 학습 모델 평가 지표인 정확도와 손실률을 분석한다. 검증 데이터는 학습 데이터의 20%인 200장의 이미지로 정의하고, 학습 데이터는 나머지 80%인 800장의 이미지로 학습 모델을 구현한다.

이론/모형

학습 모델 구현은 인공지능 플랫폼인 TenserFlow를 이용한다. Max Pooling 알고리즘의 행렬 값을 변경은 TenserFlow의 layers에 정의된 Pooling 객체의 생성자의 pool_size 변수의 값을 개발 도구(PyCharm)를 통해 수정하여 구현한다. <그림 4>는 3×3 설정된 Pooling 객체의 생성자 함수를 나타낸다.
따라서 높은 손실률은 학습 모델로서 가치가 없다. 손실률 분석을 위해 사용한 손실 함수는 TenserFlow에서 제공되는 tf.keras.losses.categorical_crossentropy를 사용하여 분석한다.
풀링 계층에 사용되는 알고리즘은 Max Pooling,Min Pooling, Average Pooling 알고리즘으로 인접한 행렬의 값을 최대, 최소, 평균값으로 추출하며, 일반적으로 Max Pooling 알고리즘을 사용한다.
학습 모델 구현은 인공지능 플랫폼인 TenserFlow를 이용한다. Max Pooling 알고리즘의 행렬 값을 변경은 TenserFlow의 layers에 정의된 Pooling 객체의 생성자의 pool_size 변수의 값을 개발 도구(PyCharm)를 통해 수정하여 구현한다.
학습 모델에 활용된 활성화 함수는 ReLU를 사용하고, 학습 모델이 올바르게 생성되었는지 확인하기 위해 옵티마이저는 Adam, 평가 모델은 정확도로 정의한다.
학습모델 구현에 활용한 인공지능 플랫폼은 NVIDIA Ampere 아키텍처를 지원 및 Cuda 환경에서 동작이 가능한 TenserFlow 2.5를 사용한다. 학습 모델 생성을 위한 학습 횟수는 15회이며, 배치 크기는 128로 정의한다.

성능/효과

또한 이미지 해상도가 8MP와 4MP인 학습 모델 생성 시간은 풀링 크기가 커질수록 감소한다. 8MP 이미지 학습 모델 생성시간은 풀링 크기 4×4에서 90분 5 6초, 풀링 크기 2×2에서 63분 41초로 약 29.
분석 결과, 2×2 풀링 크기는 4MP에서 0.013, 8MP에서 0.011, 12MP에서 0.024의 손실률을 측정되며, 평균 0.216%의 손실률을 가진다
분석 결과, CNN 알고리즘의 기본 값인 2×2 풀링 크기는 4MP에서 99.28%, 8MP에서 98.94%, 12MP에서 97.68%의 정확도로 분석되며, 평균 98%의 정확도를 가진다
분석 결과, 해상도 가장 높은 12MP 이미지의 학습 모델 생성시간이 최대 143분 43초 가장 오래 걸렸지만, 풀링 크기를 4×4로 증가시키면 91분 41초로 약 36.26% 학습모델 생성시간이 감소한다.
성능평가 결과, 제안하는 알고리즘으로 구현된 학습 모델의 생성 시간은 12MP 기준 약 36.26%의 감소하고, 학습 모델의 객체 분류 정확도와 손실률은 기존 모델 대비 약 1% 이내로 오차 범위 안에 포함되어 크게 문제가 되지 않는다.
성능평가 결과, 제안하는 알고리즘으로 구현된 학습 모델의 생성 시간은 12MP 기준 약 36.26%의 감소하고, 학습 모델의 객체 분류 정확도와 손실률은 기존 모델 대비 약 1% 이내로 오차 범위 안에 포함되어 크게 문제가 되지 않는다.
학습 모델 검증 결과, 학습 모델의 검증용 데이터의 정확도와 학습용 데이터의 정확도의 그래프의 간격의 차이가 많이 발생되지 않고, 유사한 형태로 결과 값이 측정된다. 또한 학습 모델의 검증용 데이터의 손실률은 정확도와 유사하게 검증용 데이터의 정확도와 학습용 데이터의 그래프의 간격의 차이가 많이 발생되지 않고, 유사한 형태로 결과 값이 측정된다.

후속연구

또한 특히 이미지 데이터의 특징을 잡기 어려운 높은 수준의 객체 분류가 아닌 높은 해상도의 단순 이미지(문자 및 배경과 분류할 객체의 경계가 명확한 이미지)의 객체 분류는 기존 CNN 알고리즘을 통한 학습 모델을 생성함에 있어 생성 속도에 부적합하다. 따라서 고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘이 필요하다.
또한 특히 이미지 데이터의 특징을 잡기 어려운 높은 수준의 객체 분류가 아닌 높은 해상도의 단순 이미지(문자 및 배경과 분류할 객체의 경계가 명확한 이미지)의 객체 분류는 기존 CNN 알고리즘을 통한 학습 모델을 생성함에 있어 생성 속도에 부적합하다. 따라서 고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘이 필요하다.
향후 본 연구에서 사용된 학습 데이터보다 다양한 이미지 종류와 방대한 양의 이미지 데이터로 학습 모델을 구현하여 실질적인 검증이 필요하다.

참고문헌 (7)

Kwang-Man Ko. "A DDoS Attack Detection？Technique through CNN Model in Software？Define Network" Journal of Korea Institute？of Information, Electronics, and？Communication Technology 13, 6 (2020) :？605-610？
Jong-Ho Choi."Binary CNN Operation？Algorithm using Bit-plane Image"Journal of？Korea Institute of Information, Electronics,？and Communication Technology 12,6(2019):？567-572.？
Su-Rak Son, Byung-Kwan Lee, Son-Kweon？Sim, Yi-Na Jeong."A Design of Passenger？Detection and Sharing System(PDSS) to？support the Driving ( Decision ) of an Autonomous Vehicles"Journal of Korea？Institute of Information, Electronics, and？Communication Technology13,2(2020):？138-144.？
Jeonghwan Hwang, Ji Won Yoon."Random？Noise Addition for Detecting Adversarially？Generated Image Dataset"Journal of Korea？Institute of Information, Electronics, and？Communication Technology12,6(2019):？629-635.？
Fang-Jing Shen, Jian-Hao Chen, Wei-Yen？Wang, Dien-Lin Tsai, Lien-Chieh Shen,？Ching-Tung Tseng."A CNN-Based Human？Head Detection Algorithm Implemented on Edge AI Chip" International Conference on System Science and Engineering (ICSSE),？(2020)？
Zubaida Said Ameen, Abdullahi Umar？Ibrahim, Auwalu Saleh Mubarak, Fadi？Al-Turjman."An improved CNN-LSTM deep？model for Classification of guideRNA in？CRISPR-Casl2 System" International？Conference on Artificial Intelligence in？Everything (AIE), (2022)？
Hammou Djalal Rafik."Classification and？detection of covid-19 in human respiratory？lungs using convolutional neural network？architectures" International Conference on Artificial Intelligence for Cyber Security？Systems and Privacy (AI-CSP), (2021)？

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