[논문]머신러닝을 활용한 자동 채색 시스템 알고리즘 비교 분석

이송은; 이지연; 김나현; 김진환

[국내논문] 머신러닝을 활용한 자동 채색 시스템 알고리즘 비교 분석
Comparison Analysis on Automatic Coloring System Algorithm Using Machine Learning 원문보기

이송은 (동국대학교 정보통신공학과) , 이지연 (동국대학교 정보통신공학과) , 김나현 (동국대학교 정보통신공학과) , 김진환 (동국대학교 정보통신공학과)

현재 머신러닝(Machine Learning) 기술은 기존의 머신러닝과 조합 및 변형 되어 조금 더 발전 된 형태로 연구되어지고 있다. 따라서 수많은 알고리즘이 개발되고 있는 시점이다. 본 연구는 최근 좋은 결과로 관심을 받고있는 GAN(Generative Adversarial Net)을 중심으로 IT기술의 머신러닝과 그림을 조합하여 자동채색을 목적으로 GAN 알고리즘을 비교하고 분석하고자 한다. GAN 알고리즘들 가운데서 'Conditional GAN'과 'Wasserstein GAN'을 사용하여 자동채색을 적용시켰고, 가장 부합한 알고리즘을 찾고 성능을 비교하여 어떠한 알고리즘이 '자동채색' 목적에 더 부합한지 비교하고 판단 한다.

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

문제 정의

다양한 알고리즘은 각각의 장단점을 가지고 있고, 어떤 주제에 활용할지에 따라 그 성능에도 차이가 있다. 본 논문에서는 자동 채색시스템이라는 주제를 바탕으로 한다. 자동 채색 시스템을 Generative Adversarial Nets의 두 종류인 Conditional GAN과 Wasserstein GAN에 적용시켜, 결과를 비교해보고, 다양한 각도에서 성능을 비교 및 분석해본다.

제안 방법

본 논문의 두가지 알고리즘 구성에 따라 각각 같은 데이터 셋을 이용하여 학습시켰고 모델을 얻었다. 학습을 통해 얻은 모델에 그림1 (a) 이미지를 넣어 (b)와 (c)의결과를 얻었다.
본 논문에서는 자동 채색시스템이라는 주제를 바탕으로 한다. 자동 채색 시스템을 Generative Adversarial Nets의 두 종류인 Conditional GAN과 Wasserstein GAN에 적용시켜, 결과를 비교해보고, 다양한 각도에서 성능을 비교 및 분석해본다.
CNN 처리 과정은 단순하게 분류기로 구성된 것이 아니라 특징을 추출하는 단계가 포함되어 있기 때문에, 원본 이미지에 대해 직접 작업이 가능하며, 기존 알고리즘과 달리 별도의 전처리 단계를 필요로 하지 않는다. 특징 추출과 topology invariance를 얻기 위해 필터와 sub-sampling을 거치며 이 과정을 반복적으로 수행하여 local feature로부터 global feature를 얻어 낸다.

데이터처리

(가중치의 감소) 각분포에 대한 특정 위치는 지정된 데이터 확률분포에 따른 상한값과 하한값의 평균값인 샘플로 설정했다. 이때 최적화 알고리즘으로 RMSPprop을 사용하여 학습률을 분산시켜서 가중치의 수량에 대한 평균값을 구한다.

이론/모형

이를 바탕으로 구성된 wGAN과 cGAN 알고리즘을 구성하고, wGAN의 Critic은 optimizer를 RMSProp를 사용하고, cGAN의 Discriminator는 Adam Optimizer를 사용하여 학습 한다.
라벨링을 통해 데이터를 분류하여 학습하는 방식과 다르게 비지도 학습방식은 데이터 각각이 어떤 의미가 있는지 모른다. 하지만 데이터들 간의 상관관계를 통해 군집화(Clustering) 또는 분포 추정(Underlying Probability Density Estimation)과정을 거쳐 학습하게 된다. GAN(Generative Adversarial Nets)은 크게 두 부분으로 나누어져 있다.

성능/효과

학습을 통해 얻은 모델에 그림1 (a) 이미지를 넣어 (b)와 (c)의결과를 얻었다. CGAN의 결과인 원본과 비교하였을 때,색의 선명도는 적었지만 그림의 특징은 두드러지게 나타났다. 반면에 WGAN의 결과인 (c)의 경우, 테두리를 인식하지 못하였고 색의 번짐을 관찰 할 수 있었다.
본 연구를 위해 그림 채색을 학습시키는 과정에 있어서cGAN의 학습 속도가 wGAN보다 뛰어났으며, 이는 Optimizer의 영향으로 있을 것이라 생각된다. wGAN의 참고 문헌에 따르면 RMSProp를 사용할 것을 권장하였다.
반면에 WGAN의 결과인 (c)의 경우, 테두리를 인식하지 못하였고 색의 번짐을 관찰 할 수 있었다. 원본 이미지와 비교하였을 때, 색의 일치도가 떨어지는 것을 볼 수 있었다.
첫째, 비교를 위한 두개의 알고리즘은 공통적으로 GAN의 구성을 따르고 둘째, Generator의 세부적인 구성도는 을 따른다.

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

[국내논문] 머신러닝을 활용한 자동 채색 시스템 알고리즘 비교 분석
Comparison Analysis on Automatic Coloring System Algorithm Using Machine Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

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

[국내논문] 머신러닝을 활용한 자동 채색 시스템 알고리즘 비교 분석 Comparison Analysis on Automatic Coloring System Algorithm Using Machine Learning 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

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

[국내논문] 머신러닝을 활용한 자동 채색 시스템 알고리즘 비교 분석
Comparison Analysis on Automatic Coloring System Algorithm Using Machine Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper