[논문]CNN과 다양한 분류 방법의 결합에 의한 성능 비교

한정수; 곽근창

문제 정의

실험은 총 6가지의 방법으로 진행하였다. 기본 컨볼루션 신경망의 결과와 컨볼루션 신경망에 분류기를 합쳐 나온 결과를 비교하기 위하여 진행하였다. 실험에서 사용한 데이터는 컨볼루션 신경망에서 영상 이미지 인식 및 분류에 사용되고 있는 MNIST데이터를 사용하였다.
2013년을 기점으로 대부분의 참가자들이 CNN을 사용하고 있고, 2014년부터는 10위권 참가자들은 모두 딥러닝 알고리즘을 사용하고 있다. 본 논문에서는 컨볼루션 신경망을 통해 추출된 특징들을 이용하여 다양한 분류기의 성능을 비교하는 실험을 진행하였다. 본 논문의 구성은 다음과 같다.

제안 방법

이 후 예상 라벨과 테스트 라벨을 비교하여 혼동 행렬(Confusion matrix)을 만든 후 혼동 행렬을 확률 유형 값을 가지게 변환한 뒤 분류율을 찾는다. 속도 실험은 데이터를 불러들이는 것부터 시작하여 결과를 보여주는 데까지 측정하였다. 표1과 그림 3은 각각 실험 결과를 보여준다.
컨볼루션 신경망으로 사용한 모델은 아키텍처 모델 중 ImageNet-Alex-Net[4]을 사용하였다. 실험과정은 첫 번째로 분류율은 컨볼루션 신경망을 이용하여 학습 데이터의 특징과 테스트 데이터의 특징을 추출한다. 이 후 분류기를 생성한 뒤 추출된 테스트 데이터의 특징을 이용하여 예상 라벨들을 찾는다.
실험은 총 6가지의 방법으로 진행하였다. 기본 컨볼루션 신경망의 결과와 컨볼루션 신경망에 분류기를 합쳐 나온 결과를 비교하기 위하여 진행하였다.
실험과정은 첫 번째로 분류율은 컨볼루션 신경망을 이용하여 학습 데이터의 특징과 테스트 데이터의 특징을 추출한다. 이 후 분류기를 생성한 뒤 추출된 테스트 데이터의 특징을 이용하여 예상 라벨들을 찾는다. 이 후 예상 라벨과 테스트 라벨을 비교하여 혼동 행렬(Confusion matrix)을 만든 후 혼동 행렬을 확률 유형 값을 가지게 변환한 뒤 분류율을 찾는다.
이 후 분류기를 생성한 뒤 추출된 테스트 데이터의 특징을 이용하여 예상 라벨들을 찾는다. 이 후 예상 라벨과 테스트 라벨을 비교하여 혼동 행렬(Confusion matrix)을 만든 후 혼동 행렬을 확률 유형 값을 가지게 변환한 뒤 분류율을 찾는다. 속도 실험은 데이터를 불러들이는 것부터 시작하여 결과를 보여주는 데까지 측정하였다.
컨볼루션 신경망과 컨볼루션의 다양한 분류기를 붙여 성능을 비교하였다. 실험 결과 중 분류 결과를 보면 판별 분석, 서포트 벡터 머신, 선형 서포트 벡터 머신이 다른 분류기보다 성능이 높은 것을 확인 할 수 있었다.

대상 데이터

실험에서 사용한 데이터는 컨볼루션 신경망에서 영상 이미지 인식 및 분류에 사용되고 있는 MNIST데이터를 사용하였다. MNIST데이터는 총 60000개의 학습 이미지와 10000개의 테스트 이미지로 구성되어있고 0부터 9까지의 숫자로 되어있다. 실험에 사용한 분류기는 나이브 베이즈(Naive bayes), 트리(Tree), 판별 분석( Discriminant Analysis), 서포트 벡터 머신(SVM), 선형 서포트 벡터 머신(Linear SVM)[3]을 사용하였다.
기본 컨볼루션 신경망의 결과와 컨볼루션 신경망에 분류기를 합쳐 나온 결과를 비교하기 위하여 진행하였다. 실험에서 사용한 데이터는 컨볼루션 신경망에서 영상 이미지 인식 및 분류에 사용되고 있는 MNIST데이터를 사용하였다. MNIST데이터는 총 60000개의 학습 이미지와 10000개의 테스트 이미지로 구성되어있고 0부터 9까지의 숫자로 되어있다.

데이터처리

MNIST데이터는 총 60000개의 학습 이미지와 10000개의 테스트 이미지로 구성되어있고 0부터 9까지의 숫자로 되어있다. 실험에 사용한 분류기는 나이브 베이즈(Naive bayes), 트리(Tree), 판별 분석( Discriminant Analysis), 서포트 벡터 머신(SVM), 선형 서포트 벡터 머신(Linear SVM)[3]을 사용하였다. 컨볼루션 신경망으로 사용한 모델은 아키텍처 모델 중 ImageNet-Alex-Net[4]을 사용하였다.

이론/모형

실험에 사용한 분류기는 나이브 베이즈(Naive bayes), 트리(Tree), 판별 분석( Discriminant Analysis), 서포트 벡터 머신(SVM), 선형 서포트 벡터 머신(Linear SVM)[3]을 사용하였다. 컨볼루션 신경망으로 사용한 모델은 아키텍처 모델 중 ImageNet-Alex-Net[4]을 사용하였다. 실험과정은 첫 번째로 분류율은 컨볼루션 신경망을 이용하여 학습 데이터의 특징과 테스트 데이터의 특징을 추출한다.

성능/효과

실험한 결과 전체를 보면 컨볼루션 신경망만을 사용하는 것보다는 분류기를 붙여주는 것이 실험 결과를 토대로더 좋은 성능을 보인다는 것을 확인할 수 있었다. 그 중에서도 서포트 벡터 머신이 다른 분류기에 비해 고성능을 보여준다는 것을 확인할 수 있었다.
성능이 떨어진 분류기가 다른 분류기에 비해 좋지 않다고 할 수 없지만, 이미지 분류를 목적으로 할 때에는 판별 분석, 서포트 벡터 머신, 선형 서포트 벡터 머신이 다른 분류기보다 높은 성능을 보이는 것을 확인하였다. 그러나 속도를 비교해보면 판별 분석과 서포트 벡터 머신이 선형 서포트 벡터 머신에 비해 많은 시간을 소요하는 것을 확인 할 수 있었다. 실험한 결과 전체를 보면 컨볼루션 신경망만을 사용하는 것보다는 분류기를 붙여주는 것이 실험 결과를 토대로더 좋은 성능을 보인다는 것을 확인할 수 있었다.
실험 결과 중 분류 결과를 보면 판별 분석, 서포트 벡터 머신, 선형 서포트 벡터 머신이 다른 분류기보다 성능이 높은 것을 확인 할 수 있었다. 성능이 떨어진 분류기가 다른 분류기에 비해 좋지 않다고 할 수 없지만, 이미지 분류를 목적으로 할 때에는 판별 분석, 서포트 벡터 머신, 선형 서포트 벡터 머신이 다른 분류기보다 높은 성능을 보이는 것을 확인하였다. 그러나 속도를 비교해보면 판별 분석과 서포트 벡터 머신이 선형 서포트 벡터 머신에 비해 많은 시간을 소요하는 것을 확인 할 수 있었다.
컨볼루션 신경망과 컨볼루션의 다양한 분류기를 붙여 성능을 비교하였다. 실험 결과 중 분류 결과를 보면 판별 분석, 서포트 벡터 머신, 선형 서포트 벡터 머신이 다른 분류기보다 성능이 높은 것을 확인 할 수 있었다. 성능이 떨어진 분류기가 다른 분류기에 비해 좋지 않다고 할 수 없지만, 이미지 분류를 목적으로 할 때에는 판별 분석, 서포트 벡터 머신, 선형 서포트 벡터 머신이 다른 분류기보다 높은 성능을 보이는 것을 확인하였다.
그러나 속도를 비교해보면 판별 분석과 서포트 벡터 머신이 선형 서포트 벡터 머신에 비해 많은 시간을 소요하는 것을 확인 할 수 있었다. 실험한 결과 전체를 보면 컨볼루션 신경망만을 사용하는 것보다는 분류기를 붙여주는 것이 실험 결과를 토대로더 좋은 성능을 보인다는 것을 확인할 수 있었다. 그 중에서도 서포트 벡터 머신이 다른 분류기에 비해 고성능을 보여준다는 것을 확인할 수 있었다.

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

CNN과 다양한 분류 방법의 결합에 의한 성능 비교
Performance Comparison by Combining CNN with Various Classification Methods 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

CNN과 다양한 분류 방법의 결합에 의한 성능 비교 Performance Comparison by Combining CNN with Various Classification Methods 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

CNN과 다양한 분류 방법의 결합에 의한 성능 비교
Performance Comparison by Combining CNN with Various Classification Methods 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper