[논문]비디오 행동인식을 위한 효과적인 딥러닝 알고리즘

비디오 행동인식을 위한 효과적인 딥러닝 알고리즘
Efficient Deep-learning Algorithm for Action Recognition in Video 원문보기

차상국 (세종대학교) , 한종기 (세종대학교)

본 논문은 비디오기반 행동인식을 연구하였으며, 기존의 구조를 참조하여 더 높은 인식률을 위한 새로운 구조를 제안한다. 딥러닝의 기본인 CNN과 RNN을 베이스로 한 구조이며 UCF-101 이라는 Data Set를 사용하였다.

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

과거에는 SIFT, SURF, HoG 등 Hand-crafted 방식의 필터를 사용하여 특징을 추출한 뒤 분류하던 방식에서 현재는 특징 추출 및 분류를 딥러닝 구조 내에서 한번에 해결하고 있다. 본 논문 또한 딥러닝을 사용하여 비디오의 행동을 인식하였으며, 그 구조를 소개하고자 한다.
본 논문에서는 비디오에서의 행동인식을 위한 구조인 DB-LSTM의 단점을 보완한 새로운 구조를 제시하였다. 새롭게 제시된 구조는 각 영상을 초 단위로 학습하며 단순한 CNN 구조를 더 효과적인 구조로 개선하려고 하였다.
과 같은 CNN과 LSTM을 기본으로 한 구조를 가진다. 이미지 처리를 하는 CNN 부분과 시퀀스 데이터학습을 위한 LSTM을 사용하며, 본 논문에서 제안하는 구조도 각 프레임이 CNN을 거친 뒤 LSTM을 통해 시퀀스의 연관성을 학습하는 것을 목표로 한다.

이러한 값의 변화를 통해 가장 적절한 층의 개수를 정하였다. 또한 GoogleNet에서 제안된 것과 같이 다양한 종류의 필터와 Pooling을 사용하여 성능향상을 시키려고 했다.
본 논문에서 제안하는 구조는 Deep Bidirectional – LSTM (DB – LSTM) 구조에서 착안하였다.
나는 이 부분을 조금 더 깊게 짜는 것부터 시작 하였지만 일정 수준 이상으로 깊어지면 더 이상 학습률이 증가하지 않고 일정수준을 유지한다는 것을 알 수 있었다. 이러한 값의 변화를 통해 가장 적절한 층의 개수를 정하였다. 또한 GoogleNet에서 제안된 것과 같이 다양한 종류의 필터와 Pooling을 사용하여 성능향상을 시키려고 했다.
하지만 이러한 방식들은 많은 데이터가 소실되는 단점이 있었다. 이를 해결하기 위한 방법으로 동영상을 1초 단위로 학습하는 방법을 사용하였다.

딥러닝을 공부하기 위한 Data Set들 또한 만들어 졌으며, 그 종류와 양은 어마어마 하다. 본 논문에서 사용한 UCF-101 Data Set은 행동인식을 위한 비디오이다. 행동인식은 범죄 예방이나 로봇에 활용할 수 있으며, 현재 다양한 분야에서 사용되고있는 주요한 기술이다.

직접 재현한 DB-LSTM 구조는 기존의 구조만큼의 정확도는 나오지 않았으나 CNN 구조를 변형하여 새롭게 제안한 구조은 직접 재현한 DB-LSTM 구조보다 약 6%의 정확도가 증가하였다. 단순한 CNN 구조도 학습을 하는데 지장은 없었지만, 조금 더 깊은 층의 CNN과 다양한 종류의 필터와 pooling을 도입한 구조는 행동인식 학습률 향상에 도움을 주었다.

새롭게 제시된 구조는 각 영상을 초 단위로 학습하며 단순한 CNN 구조를 더 효과적인 구조로 개선하려고 하였다. 여기서 새롭게 제안된 CNN 구조는 기존의 DB-LSTM의 성능 향상에 도움이 될 것으로 보인다. 이러한 행동인식기술의 발전은 CCTV 분석을 통한 실시간 범죄현장에 도움을 줄 수 있을 것이고, 더 나아가 사람의 행동에 반응하는 인공지능을 만들기 위한 데이터로써 큰 역할을 할 것이다.
여기서 새롭게 제안된 CNN 구조는 기존의 DB-LSTM의 성능 향상에 도움이 될 것으로 보인다. 이러한 행동인식기술의 발전은 CCTV 분석을 통한 실시간 범죄현장에 도움을 줄 수 있을 것이고, 더 나아가 사람의 행동에 반응하는 인공지능을 만들기 위한 데이터로써 큰 역할을 할 것이다. 우리는 여기서 만족하지 않고 더 좋은 성능을 위해 Dense-Net 이나 ResNet 등을 참고로 하여 새로운 구조를 제작할 예정이다.

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