메뉴 건너뛰기

ENG

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

(국민대학교, 국민대학교 일반대학원)

지도교수
박하명
발행연도
저작권
국민대학교 논문은 저작권에 의해 보호받습니다.

이용수0

표지
AI에게 요청하기
추천
검색

초록· 키워드

상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지
정보가 잘못된 경우 알려주세요!
해상도가 높은 이미지 데이터 세트의 대량 획득이 가능해진 위성 센서 기
술의 급속한 발전으로, 이러한 고해상도 이미지 내의 장면을 효율적으로 표현하
고 인식하는 것이 중요한 과제로 떠오르고 있다. 본 논문에서는 기상 위성 이미
지의 고수준 의미론적 표현을 학습하는 AES(Auto-Encoder after Segmentation)
라는 방법을 제안한다. AES는 이미지를 단순화하기 위해 비지도 세그멘테이션
모델인 W-Net을 사용한다. 우리의 방법은 날씨 위성 이미지 분야에서 CBIR 성
능을 향상시킨다. 위성 기상 이미지에 대한 실험 결과는 우리가 제안한 방법이
MSE 에서 기존의 오토 인코더의 성능을 능가한다는 것을 입증한다. 낮은 평균
MSE는 검색된 이미지와 쿼리 이미지 간의 강한 유사성을 나타내며, 이는 우
리의 방법이 데이터 내의 기본적인 유사성을 더 잘 나타낸다는 것을 의미한다.
더해서, 우리의 방법은 유사성 평가를 위한 높은 재현율과 향상된 검색 정확도
를 나타내며, 기상 위성 이미지의 CBIR을 위해 의미 있는 특징을 추출하는 데
효과적임을 입증한다.
#Weather Satellite Images #Latent Representation #Content-based image retrieval #Auto-Encoders #Image Segmentation #KNN #Features Extraction #W-Net #날씨 위성 사진 #잠재된 표현 #콘텐츠 기반 이미지 검색 #오토인코더 #이미지 세그멘테이션 #특징추출

목차

  1. 1 Introduction 1
    2 Related Work 4
    2.1 Content-based Image Retrieval (CBIR) 4
    2.2 CBIR on Weather Satellite Images Domain 4
    3 Preliminaries 5
    3.1 W-Net 5
    3.2 Convolutional Neural Networks 6
    3.3 Auto-Encoder . 7
    3.4 Squeeze and Excitation 8
    3.5 K-Nearest Neighbors (KNN) 8
    4 Proposed Methods 9
    4.1 Auto-Encoder after Segmentation . 10
    4.2 Self-Supervised Segmentation Technique 11
    4.3 Embedding Models 12
    5 Feature Extraction Step 13
    6 Experiments 15
    6.1 Experimental Settings 15
    6.1.1 Machine 15
    6.1.2 Data set 16
    6.1.3 Similarity Measure 16
    6.2 Model Performance 17
    6.3 Recall Analysis 20
    6.4 Qualitative Evaluation 21
    6.5 Qualitative Evaluation of ResNet for Weather Image Segmentation 24
    7 Conclusion 25
    References 26
    국문요약 29

최근 본 자료

전체보기
260429_DBpiaAI
260319_딥리서치
260319_AI리더
260304_새학기에이전트
260429 전공별 추천 이벤트
260504 이주의질문
260304_아그논문롤
260127_아그논문
260127_AI뷰어