선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- CNN을 이용한 손 감지의 성능을 조사하기 위해 Faster R-CNN과 YOLOv2에 대해 각각 [14]와 [15]를 컴파일하였다. 실험은 Intel i5 6600 3.
- 본 연구에서는 두개의 데이터 셋으로 합성곱 신경망(Convolutional Neural Network, CNN)을 훈련시킨다. 그리고 시각화 기술을 적용하여 네트워크가 어떻게 손을 학습하는지를 보여주고 두개의 CNN 아키텍처와 두개의 데이터 셋의 결과를 살펴보고 손 검출에 대한 이해를 제공한다.
- 이 장에서는 손 검출을 위한 실험적 분석을 제시한다. 먼저, 특징맵(feature map)의 시각화를 통한 특징 학습 과정을 제시하고, 그런 다음 손 검출 성능에 대해 살펴본다.
- 최근 몇 년 동안 객체 검출에 딥러닝 접근법이 적용되었다. 손 검출을 이해하기 위해 인기 있는 손 데이터 셋으로 컨볼루션 신경망을 훈련했다. 훈련된 모델을 이용하여 콘볼루션 레이어의 특징맵을 시각화하고 손 분류 과정을 살펴보았다.
- 손 검출을 이해하기 위해 인기 있는 손 데이터 셋으로 컨볼루션 신경망을 훈련했다. 훈련된 모델을 이용하여 콘볼루션 레이어의 특징맵을 시각화하고 손 분류 과정을 살펴보았다. 실험에서 2단계 객체 검출기인 Faster R-CNN은 손 검출 정확도가 더 높았고, 단일 단계 객체 검출기인 YOLO는 실시간 손 검출 성능을 보였다.
대상 데이터
- CNN 아키텍처를 훈련하기 위해 두개의 인기 있는 손 데이터 셋을 사용한다.
- 최근에는 딥러닝 아키텍처를 이해하고 개선하기 위해 시각화에 대한 연구가 수행되었다. 본 연구에서는 두개의 데이터 셋으로 합성곱 신경망(Convolutional Neural Network, CNN)을 훈련시킨다. 그리고 시각화 기술을 적용하여 네트워크가 어떻게 손을 학습하는지를 보여주고 두개의 CNN 아키텍처와 두개의 데이터 셋의 결과를 살펴보고 손 검출에 대한 이해를 제공한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.