메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
김일환 (중앙대학교) 윤상우 (중앙대학교) 이동헌 (중앙대학교) 오정학 (유라 코퍼레이션) 백준기 (중앙대학교)
저널정보
대한전자공학회 대한전자공학회 학술대회 2024년도 대한전자공학회 하계학술대회 논문집
발행연도
2024.6
수록면
2,753 - 2,757 (5page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Addressing the challenge of learning effectively from limited data for handling new information is a prominent issue in computer vision. Techniques for enhancing learning can broadly be classified into two categories: (1) fine-tuning a pre-trained, wellgeneralized model using a large-scale dataset, and (2) generating additional data. In this paper, we focus on the latter by generating new data. Methods of data generation include processing through data hallucination and the use of generative models. Our approach involves hallucinating data by compositing extracted foreground elements from existing data with diverse backgrounds. Rather than indiscriminately combining all foregrounds with all backgrounds, we strategically select compositing materials that are meaningful for data augmentation, enhancing learning. We conduct experiments using various similarity measures to analyze the impact of similarity on learning performance. Our similarity-based approach significantly outperforms existing methods in terms of performance.

목차

Abstract
Ⅰ. 서론
Ⅱ. 배경 지식
Ⅲ. 본론
Ⅳ. 실험 결과 및 분석
Ⅴ. 결론
참고문헌

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0