인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
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
- 박하명
- 발행연도
- 2022
- 저작권
- 국민대학교 논문은 저작권에 의해 보호받습니다.
이용수25
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
딥 러닝에서 사용하는 심층 신경망은 방대한 양의 데이터를 학습하여 높은 성능을 보여주는 강력한 기계 학습 시스템이다. 과거 기계 학습 및 영상 처리 분야의 주요 과업은 더 나은 심층 신경망 모델을 설계하는 것 이었다. 그러나 최근에는 딥 러닝을 적용하여 문제를 해결하는데 주로 직면하는 문제로 손꼽히는 데이터 부족을 해결하기 위해 데이터 증강에 대한 여러 연구가 진행되고 있다. 데이터 증강은 데이터를 무작위로 증가시켜 데이터의 양과 다양성을 증가시키는 기술이다. 본 논문에서는 보다 효율적인 데이터 증강을 수행할 수 있는 아이디어를 제안하기 위해, 이미지 데이터의 클래스별 데이터의 분포에 초점을 맞추어 연구를 진행하였다.
본 논문의 연구는 훈련 데이터를 사전 학습하여 클래스별 데이터 분포를 분석하는 것부터 시작하였다. 컨볼루션 신경망 기반의 인코더 모델로 학습된 데이터의 임베딩 작업을 통해 데이터의 분포를 시각화 하였다. 그 다음 데이터 클래스별 평균점을 찾아서 평균점에서 가장 멀리 떨어진 데이터들을 집중적으로 데이터 증강을 수행하였다. 이 작업은 데이터의 밀도가 낮은 부분의 데이터를 증강시켜 클래스의 데이터 밀도를 이전보다는 상대적으로 균일하게 만들어 주었다. 실험에 사용한 데이터셋은 mini-ImageNet이다. 총 100개의 클래스에 각 600개의 데이터를 가지고 있으며 이 중 5개의 클래스의 3000개 데이터를 가지고 실험을 진행 하였다. 증강시킨 데이터의 수를 조절하며 본래 데이터 수의 비율에 따라 본 논문에서 제안하는 기법과 단순 랜덤 방식의 증강 기법의 시험 정확도를 비교 분석하였다. 이를 통해 본 논문에서 제안하는 기법의 성능 향상 정도를 비교 평가 하였다.
제안한 아이디어로 데이터 증강을 수행하여 모델을 학습시킨 결과, 데이터 증강 수가 적은 경우에서 모델의 성능 향상이 기존의 단순 기법보다 우월한 것으로 나타났다. 이 결과는 고무적이라고 볼 수 있는데, 실제 데이터 학습 시에는 mini-ImageNet 같은 벤치마킹 데이터가 아닌 대용량의 데이터를 학습시키게 되는 상황이 일반적이기 때문에 증강 데이터 수를 무조건적으로 늘릴 수는 없기 때문이다. 따라서 본 논문에서 제안한 데이터 증강 아이디어는 효과적인 방법이며 데이터 학습 실무 시에도 유효할 것으로 보인다. 추가로, 데이터 밀도가 낮은 부분을 찾는 알고리즘과 데이터 증강 기법의 적용에 대해 추가적인 연구도 가능할 것으로 생각 한다.
본 논문의 연구는 훈련 데이터를 사전 학습하여 클래스별 데이터 분포를 분석하는 것부터 시작하였다. 컨볼루션 신경망 기반의 인코더 모델로 학습된 데이터의 임베딩 작업을 통해 데이터의 분포를 시각화 하였다. 그 다음 데이터 클래스별 평균점을 찾아서 평균점에서 가장 멀리 떨어진 데이터들을 집중적으로 데이터 증강을 수행하였다. 이 작업은 데이터의 밀도가 낮은 부분의 데이터를 증강시켜 클래스의 데이터 밀도를 이전보다는 상대적으로 균일하게 만들어 주었다. 실험에 사용한 데이터셋은 mini-ImageNet이다. 총 100개의 클래스에 각 600개의 데이터를 가지고 있으며 이 중 5개의 클래스의 3000개 데이터를 가지고 실험을 진행 하였다. 증강시킨 데이터의 수를 조절하며 본래 데이터 수의 비율에 따라 본 논문에서 제안하는 기법과 단순 랜덤 방식의 증강 기법의 시험 정확도를 비교 분석하였다. 이를 통해 본 논문에서 제안하는 기법의 성능 향상 정도를 비교 평가 하였다.
제안한 아이디어로 데이터 증강을 수행하여 모델을 학습시킨 결과, 데이터 증강 수가 적은 경우에서 모델의 성능 향상이 기존의 단순 기법보다 우월한 것으로 나타났다. 이 결과는 고무적이라고 볼 수 있는데, 실제 데이터 학습 시에는 mini-ImageNet 같은 벤치마킹 데이터가 아닌 대용량의 데이터를 학습시키게 되는 상황이 일반적이기 때문에 증강 데이터 수를 무조건적으로 늘릴 수는 없기 때문이다. 따라서 본 논문에서 제안한 데이터 증강 아이디어는 효과적인 방법이며 데이터 학습 실무 시에도 유효할 것으로 보인다. 추가로, 데이터 밀도가 낮은 부분을 찾는 알고리즘과 데이터 증강 기법의 적용에 대해 추가적인 연구도 가능할 것으로 생각 한다.
목차
- 제1장 본론 1제2장 관련 연구 42.1 분포 이동 기반 데이터 증강 42.2. 퓨샷 학습을 위한 프로토타입 네트워크 62.3. 메타 학습을 위한 데이터 증강 9제3장 데이터 분포에 따른 데이터 기법 연구 11제4장 실험 및 결과 174.1 비지도 학습을 통한 클래스별 데이터 분포 확인 174.2 데이터셋 불러오기 194.3 지도학습을 통한 모델 훈련 및 시험 224.4 데이터 임베딩 및 분포도 그래프 출력 254.5 이미지 데이터 증강 28제5장 토론 및 향 후 연구 38참고 문헌 39논문 초록 40
최근 본 자료
