CNN을 이용한 시대별 서양화 분류 프로그램

Q: 이 논문에서 정의한 Data Augmentation이란 무엇인가?

이미지의 본질적인 형태를 손상시키지 않으면서 데이터의 양을 인위적으로 늘려 딥러닝 모델의 성능을 향상시키는 방법이다. 이는 모델이 다양한 환경에 적응하도록 돕고 학습 데이터에 지나치게 적합되는 오버피팅 현상을 완화하여 일반화 성능을 높이는 역할을 한다.

Q: CNN 기반 미술 작품 시대 분류 모델에서 데이터 증강이 미치는 영향은 무엇인가?

연구 결과, 이미지를 랜덤하게 좌우 변형, 기울이기, 확대 및 90도 회전시키는 데이터 증강 기법을 적용함으로써 데이터셋의 크기를 확장하였다. 이를 통해 모델의 오버피팅을 효과적으로 완화하고 일반화 성능과 예측 정확도를 향상시켜 서양화의 시대별 분류 성능을 최적화하였다.

성재협; 안민규; 김강희; 강정화; 김재현

학술대회자료

저자정보: 성재협 (아주대학교) 안민규 (아주대학교) 김강희 (아주대학교) 강정화 (아주대학교) 김재현 (아주대학교)

저널정보: 한국통신학회 한국통신학회 학술대회논문집 2021년도 한국통신학회 추계종합학술발표회 논문집

오류 신고하기

피인용 0

검색

초록·키워드

본 논문은 convolutional neural network (CNN) 알고리즘을 사용하여 전문가 대신 미술 작품의 생성 시기를 사용자에게 알려주는 것을 목적으로 하는 프로그램을 제안한다. 제안한 프로그램은 사용자에게 미술작품의 생성시기를 알려줄 ... 전체 초록 보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료