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
- 김인철
- 발행연도
- 2019
- 저작권
- 경기대학교 논문은 저작권에 의해 보호받습니다.
이용수4
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 논문에서는 고밀도 비디오 캡션 생성 문제의 해결을 위하여 새로운 심층 신경망 모델인 DVC-Net을 제안한다. 고밀도 비디오 캡션 생성은 하나의 비분할된 입력 비디오로부터 다수의 후보 이벤트 구간들을 탐지해내고, 각각의 이벤트 구간에 대한 자연어 설명 문장을 생성하는 작업이다. 기존 연구들에서 제안된 많은 모델에서는 합성 곱 신경망을 통해 추출하는 입력 비디오의 시각 특징들만을 주로 이용하였다. 그러나 본 논문에서 제안하는 DVC-Net 모델에서는 이러한 시각 특징들뿐만 아니라, 이벤트를 구성하는 중요한 요소들인 사람, 행위, 물체, 장소 등을 효과적으로 표현할 수 있는 고-수준의 의미 특징들을 추가로 이용한다. 또한, DVC-Net 모델에서는 비디오 안에 포함된 이벤트 시간 영역들을 탐지하기 위해 순환 신경망의 하나인 BLSTM을 이용한다. 또, DVC-Net 모델에서는 캡션 생성 단계에서 주의집중 메커니즘과 맥락 게이트를 적용한다. 대용량 벤치마크 데이터 집합들인 ActivityNet Captions와 MSR-VTT를 이용한 다양한 실험으로 제안한 DVC-Net 모델의 우수한 성능을 확인할 수 있었다.
목차
제 1 장 서 론 1제 1 절 연구배경 1제 2 절 연구목표 4제 2 장 이론적 배경 7제 1 절 비디오 행동 탐지 7제 2 절 비디오 캡션 생성 9제 3 절 고밀도 비디오 캡션 생성 12제 3 장 고밀도 비디오 캡션 생성 모델 14제 1 절 모델 개요 14제 2 절 시각 특징 추출 네트워크 16제 3 절 이벤트 시간 영역 제안 네트워크 17제 4 절 의미 특징 추출 네트워크 19제 5 절 캡션 생성 네트워크 23제 4 장 구현 및 실험 26제 1 절 데이터 집합 26제 2 절 모델 구현 28제 3 절 모델 성능 분석 30제 1 항 입력 특징 별 성능 분석 30제 2 항 이벤트 시간 영역 탐지 성능 분석 33제 3 항 최신 모델들과의 성능 비교 35제 4 항 고밀도 비디오 캡션 생성 결과 분석 38제 5 장 결론 및 향후 연구 40참고문헌 41Abstract 47
최근 본 자료
댓글(0)
0