[논문]HOG 특징을 이용한 다항식 방사형 기저함수 신경회로망 기반 숫자 인식 방법의 설계

김봉연; 오성권

HOG 특징을 이용한 다항식 방사형 기저함수 신경회로망 기반 숫자 인식 방법의 설계
Design of Digits Recognition Method Based on pRBFNNs Using HOG Features 원문보기

김봉연 (수원대학교 전기공학과) , 오성권 (수원대학교 전기공학과)

본 논문에서는 HOG 특징을 이용한 다항식 방사형 기저함수 신경회로망 기반 숫자 인식 시스템의 설계를 제안한다. 제안한 숫자 인식 시스템은 HOG 특징을 이용하여 숫자를 입력 데이터로 사용하기 위해 특징을 계산한다. 다항식 방사형 기저 함수 신경회로망은 고차원 데이터의 입-출력 형태를 갖는 클래스를 분류하는데 용이하며, 활성함수의 중심점 및 분포상수는 Fuzzy C-Means(FCM) 알고리즘에 의해 초기 값을 설정한다. 또한 제안한 분류기의 최적화를 위해 Particle Swarm Optimization(PSO)를 사용하여 최적화된 분류기의 성능을 비교한다. 숫자 인식을 위하여 공인 데이터베이스인 MNIST handwritten digit database를 사용하여 분류기의 성능을 평가하고 분석한다.

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

문제 정의

또한 문자 및 숫자인식을 위한 데이터는 고차원으로서 많은 노이즈를 포함하고 있기 때문에 인식률을 저하 시킬 수 있다. 본 연구에서는 이러한 단점을 보완하며 인식률 저하를 방지하기 위해 Edge성분의 벡터 기울기 및 크기를 HOG 특징으로 추출한다. 그리고 차원축소 알고리즘인 주성분 분석법(Principal Component Analysis: PCA)을 이용하여 고차원의 숫자 이미지를 저차원으로 차원 축소하고, 이를 제안된 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks: RBFNN) 패턴 분류기의 입력으로 이용한다.

제안 방법

MNIST 데이터의 수 는 총 70000개이며, 각각 학습 및 테스트 데이터로 60000개, 10000개로 구성하였다. 그리고 입력 차원 수는 784개로 구성되어 있으며, 본 논문에서는 차원축소 알고리즘인 PCA를 통해 고유 값이 0.1 이상인 값들만을 이용하여 784개의 입력 차원을 64개로 차원 축소하여 사용하였다.
일반적으로 활성함수로는 가우시안 함수를 사용하지만 제안된 패턴 분류기에서는 Fuzzy C-Means 클러스터링 방법을 사용하여 입력 데이터 특성을 반영할 수 있도록 한다. 그리고 조건부의 각 노드에서 나온 출력과 결론부에서 구한 연결가중치를 이용하여 최종 출력을 구한다. 연결가중치는 기존의 상수항을 확장시킨 다항식 형태로 구성되고, 제안된 pRBFNNs의 구조는 그림 2와 같다.
본 논문에서는 밝기에 대한 분포방향을 이용한 HOG알고리즘과 노이즈와 같이 고차원 숫자 데이터에서 발생하는 문제를 PCA 알고리즘을 이용하여 해결하고, 간단한 구조의 RBFNNs 분류기를 이용하여 숫자인식 시스템을 설계하였다. 이와 같이 제안된 패턴 분류기는 기존에 제안된 다른 패턴 분류기에 비해 우수한 성능을 보였고, 데이터의 차원수도 축소하여 분류기의 계산량을 줄일 수 있었다.

대상 데이터

본 논문에서는 MNIST 데이터를 아래의 그림 3과 같이 0부터 9까지 수기로 작성된 숫자들을 모아놓은 데이터 집합으로써 하나의 이미지는 가로 28, 세로 28 픽셀로 구성하였다. MNIST 데이터의 수 는 총 70000개이며, 각각 학습 및 테스트 데이터로 60000개, 10000개로 구성하였다. 그리고 입력 차원 수는 784개로 구성되어 있으며, 본 논문에서는 차원축소 알고리즘인 PCA를 통해 고유 값이 0.
본 논문에서는 MNIST 데이터를 아래의 그림 3과 같이 0부터 9까지 수기로 작성된 숫자들을 모아놓은 데이터 집합으로써 하나의 이미지는 가로 28, 세로 28 픽셀로 구성하였다. MNIST 데이터의 수 는 총 70000개이며, 각각 학습 및 테스트 데이터로 60000개, 10000개로 구성하였다.

데이터처리

제안된 분류기의 성능을 평가하기 위해 기존 논문에서 제안되었던 패턴 분류기의 성능과 비교한다.

이론/모형

본 연구에서는 이러한 단점을 보완하며 인식률 저하를 방지하기 위해 Edge성분의 벡터 기울기 및 크기를 HOG 특징으로 추출한다. 그리고 차원축소 알고리즘인 주성분 분석법(Principal Component Analysis: PCA)을 이용하여 고차원의 숫자 이미지를 저차원으로 차원 축소하고, 이를 제안된 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks: RBFNN) 패턴 분류기의 입력으로 이용한다. 또한 패턴 분류기의 은닉층은 가우시안 함수 대신에 Fuzzy C-Means(FCM) 알고리즘을 이용하여 구성한다.
그리고 차원축소 알고리즘인 주성분 분석법(Principal Component Analysis: PCA)을 이용하여 고차원의 숫자 이미지를 저차원으로 차원 축소하고, 이를 제안된 방사형 기저함수 신경회로망(Radial Basis Function Neural Networks: RBFNN) 패턴 분류기의 입력으로 이용한다. 또한 패턴 분류기의 은닉층은 가우시안 함수 대신에 Fuzzy C-Means(FCM) 알고리즘을 이용하여 구성한다.
본 논문에서는 제안된 숫자인식 시스템을 위한 이미지의 특징 추출을 위해 HOG(Histogram of Oriented Gradient)를 사용한다. HOG는 국소영역에 대한 밝기의 분포방향을 히스토그램화하여 이를 특징벡터로 나타내고자 하는 것에 사용된다.
주성분 분석법(Principal Component Analysis: PCA) 은 본 논문에서 제안된 숫자 인식 패턴 분류기의 전처리 과정으로 이용한다. PCA는 대표적인 차원축소 방법으로 숫자 이미지의 고차원 특징벡터를 저차원의 특징벡터로 정보 손실이 최소화 되도록 차원을 축소시킨다.

성능/효과

본 논문에서는 밝기에 대한 분포방향을 이용한 HOG알고리즘과 노이즈와 같이 고차원 숫자 데이터에서 발생하는 문제를 PCA 알고리즘을 이용하여 해결하고, 간단한 구조의 RBFNNs 분류기를 이용하여 숫자인식 시스템을 설계하였다. 이와 같이 제안된 패턴 분류기는 기존에 제안된 다른 패턴 분류기에 비해 우수한 성능을 보였고, 데이터의 차원수도 축소하여 분류기의 계산량을 줄일 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

HOG 특징을 이용한 다항식 방사형 기저함수 신경회로망 기반 숫자 인식 방법의 설계
Design of Digits Recognition Method Based on pRBFNNs Using HOG Features 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

HOG 특징을 이용한 다항식 방사형 기저함수 신경회로망 기반 숫자 인식 방법의 설계 Design of Digits Recognition Method Based on pRBFNNs Using HOG Features 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

HOG 특징을 이용한 다항식 방사형 기저함수 신경회로망 기반 숫자 인식 방법의 설계
Design of Digits Recognition Method Based on pRBFNNs Using HOG Features 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper