사물인식 시스템을 위한 클래스 집합의 다중 계층 사물인식구조 성능평가

Abstract

다양한 딥 러닝 (Deep Learning) 기법이 제시 되고, 모바일 시대가 도래함에 따라 데이터의 양이 폭발적으로 증가하면서, 대규모 구조의 인공신경망과 빅 데이터의 결합에 따른 기계학습 방법에 관한 연구가 활발히 진행되고 있다. 과거에 진행되었던 영상처리, 음성 인식 등 과 같은 연구들이 딥 러닝 기법으로 재조명을 받으면서, 대상의 집합을 학습하고, 특정 데이터 군을 인식하는 연구는 세계적으로 큰 이슈가 되고 있으며, 현재 무인자동차, 로봇 개발과 같은 다양한 분야에서 또한 사물인식 연구의 필요성에 대한 수요가 증가하고 있다. 본 연구는 특정 클래스 집합을 대상으로, 컨볼루셔널 인공신경망 (CNN, Convolutional Neural Network)에 다중 계층(layer)의 사물인식 구조를 적용하고, 계층 별 인식 정확도와 해당 클래스 내의 인식도 차이를 평가함으로써, 사물인식 시스템의 성능개선에 기여하고자 하였다. 다중 계층 사물인식 구조를 구현하기 위해, 5가지의 클래스 집합을 배열하고 인터클래스 인식기(InterclassRecognizer)와 인트라클래스 인식기(IntraclassRecognizer)의 개념과 범위, 분류기준을 정의하였다. 1 레벨, 2 레벨 인트라클래스 인식기의 개념을 적용하여 다중 계층의 사물인식 구조를 구현한 결과, 계층의 수가 증가할 때, 클래스 집합의 이미지 데이터를 인식하고, 그 해당 범주에 맞게 분류해 내는 정확도가 대체적으로 증가함을 보였다. 또한, 클래스 간 인식 정확도가 상이하게 나타남에 따라 사물 별 특성에 따른 인식 정도를 분석하였으며, 이를 통해 클래스 별 접근이 필요함을 보여주었다. 따라서 본 연구에서는 계층 수 증가에 따른 인식 정확도를 평가하고, 해당 클래스 간의 인식도 차이를 분석함으로써, 사물인식 시스템의 성능을 개선하는데 기여할 수 있을 것 이라 기대한다.;With the convergence of the artificial neural network technique and Big Data analytics, deep neural network method has been playing a key role for object recognition, owing to its ability to train itself using large volumes of image data. As a result, the demand for higher accuracy in the object recognition system has been increasing as deep learning based object detection technique is growing substantially in various industries. In this paper, the object recognition system was implemented using multiple levels of image training structure and was subsequently evaluated through specific object classes. To implement the Multilevel object recognition system, two types of recognizers were used on 5 different object classes that are divided into Interclass recognizer and Intraclass recognizer. The former symbolizes a top-level category classification, which carries out the extraction of each class from the entire data set, while the latter runs as a subclass classifier through specific classification standards that were determined according to the attributes of each class. Extensive evaluations show that the proposed approach of multi-level object recognition brings higher accuracy in its recognition result. Additionally, it was found that each class has a big difference gap in its accuracy due to the variety in its attributes, providing the need of each class for a different approach in its classification standard. This research thus contributes to the current object detection system by suggesting the use of multi-level image training system, as well as showing that a different approach is needed depending on the attributes of each object class.