지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 최지웅
- 발행연도
- 2018
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문은 사이드 스캔 소나로 생성한 이미지를 컨볼루션 신경망으로 학습하여 수중물체를 탐지하는 방법을 다루었다. 사이드 스캔 소나는 수중물체 탐지분야에서, 컨볼루션 신경망은 이미지 인식분야에서 활용도가 높다. 컨볼루션 신경망 학습 및 탐지 실험에 사용한 사이드 스캔 소나의 이미지 데이터는 미 해군 수상전센터에서 공개한 자료이고 4종류의 합성수중물체로 구성되었으며, 광학 이미지 데이터는 자체 촬영한 4종류의 물체로 구성되었다. 컨볼루션 신경망 알고리즘은 관심영역 기반으로 학습하는 Faster R-CNN을 기본으로 하며 신경망의 세부사항을 보유한 데이터에 적합하도록 자체 구성하였다.
본 연구에서는 소나 이미지 데이터와 광학 이미지 데이터를 각각 컨볼루션 신경망으로 학습하고 테스트한 결과를 정밀도-재현율 곡선으로 비교하였고 소나 이미지 데이터에 지정한 관심영역의 변경이 탐지성능에 미치는 영향을 검토함으로써 컨볼루션 신경망의 수중물체 탐지 적용성에 대해 살펴보았다. 결론에서는 인공지능 발전 측면에서의 논문의 의의를 언급하면서 본 연구를 발전시키기 위한 방향을 진단하며 논문을 마무리하였다.
본 연구에서는 소나 이미지 데이터와 광학 이미지 데이터를 각각 컨볼루션 신경망으로 학습하고 테스트한 결과를 정밀도-재현율 곡선으로 비교하였고 소나 이미지 데이터에 지정한 관심영역의 변경이 탐지성능에 미치는 영향을 검토함으로써 컨볼루션 신경망의 수중물체 탐지 적용성에 대해 살펴보았다. 결론에서는 인공지능 발전 측면에서의 논문의 의의를 언급하면서 본 연구를 발전시키기 위한 방향을 진단하며 논문을 마무리하였다.
목차
CONTENTS ⅰLIST OF FIGURE ⅲLIST OF TABLE ⅴ국문 요지 ⅵ1. 서 론 11.1. 연구 배경 11.2. 논문의 구성 52. 사이드 스캔 소나의 이미지 생성 62.1. 사이드 스캔 소나 이미지 생성을 위한 음파 62.2. 사이드 스캔 소나 신호의 소나방정식 82.3. 사이드 스캔 소나의 신호처리 103. 컨볼루션 신경망을 활용한 이미지 학습 133.1. 컨볼루션 신경망의 기본 개념 133.2. 컨볼루션 신경망의 세부 기능 153.3. Faster R-CNN의 Region Proposal Network 234. 데이터 구성과 실험 274.1. 소나 데이터 구성 274.2. 광학 데이터 구성 284.3. 컨볼루션 신경망의 구성 294.4. 컨볼루션 신경망 학습과정에서의 세부 설정 315. 실험 결과 고찰 325.1. 정밀도-재현율 곡선에 의한 알고리즘 진단 325.2. 소나 이미지와 광학 이미지의 컨볼루션 신경망 적용 결과에 대한 고찰 345.3. 소나 이미지의 변경된 관심영역에 대한 실험결과 355.4. 수중물체 탐색 목적에 관한 고찰 396. 결론 및 향후 과제 41REFERENCES 43ABSTRACT 48감사의 글 50연구윤리 서약서 53
최근 본 자료
댓글(0)
0