컨볼루션 신경망을 이용한 3단계 계층 구조에서의 사물인식 기법

Abstract

본 연구는 기존의 딥러닝(Deep Learning)기술 중 이미지 인식에 많이 사용되는 컨볼루션 신경망(Convolutional Neural Network, CNN)을 이용한 사물을 분류하는 연구를 확대하여 3단계 계층 구조(Three-Level)에서의 사물 분류를 제안한다. 기존의 연구는 계층이 없는 구조(One-Level)에서 층(Layer)을 증가시켜 더욱 깊은 모델을 구현하는 것이었다. 하지만 본 연구에서는 층(Layer)을 증가시키는 방법이 아니라 사물 특성에 따른 계층 (Level)이 3개인 모델을 구현하여 사물 분류의 정확도를 높인다. 3단계 계층 구조를 구현함으로써 정확도를 높일 뿐 아니라, 사물 분류할 때 오인식의 범위를 감소시키게 되었다. 계층이 있는 구조를 구현함에 따라, 사물의 상위 항목을 먼저 분류함으로써 사용자가 얻는 정보의 신뢰성도 증가하게 되었다. 또한 분산 처리로 여러 대의 컴퓨터를 이용하여 데이터 분할(Data Partitioning)을 한 후에 분산 환경에서 실험을 할 경우, 학습 시간은 1단계 계층 구조와 같은 시간이 소요된다. 결과적으로 학습 시간은 같지만 정확도가 높고, 사물 분류 오인식의 범위가 낮은 모델이 구현하게 되었다.;The purpose of this research is to investigate the 'Three-Level Model' using Convolutional(CNN) Neural Network for an object classification. The majority of the related studies used One-Level model with CNN, which implies they increased the neural layer to get higher accuracy. In this research, instead of increasing the number of layer, we take the suitable training level which was choose by the feature of object and we create a model according to the selected level. According to the experiments, when we implement the Three-Level Model, the accuracy of the model and the range of misclassification were inversely related. In other words, when the model that included any level within it classify the higher category, the reliability of information that users acquire increased simultaneously. To improve the efficiency of the model, if experiments are conducted in the distributed mode, it would take less time, same as the time it take in One-Level Model. According to the experiments, the result show that the training time of the Three-Level model and of the One-Level model are the same. Also, it could develop the model that declined the scope of the misclassification.