http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Eigenfeature regularization and extraction을 이용한 걸음걸이 바이오 인식 시스템
이병윤(Byungyun Lee),홍성준(Sungjun Hong),이희성(Heesung Lee),김은태(Euntai Kim) 한국지능시스템학회 2010 한국지능시스템학회 학술발표 논문집 Vol.20 No.2
본 논문에서는 Eigenfeature Regularization and Extraction (ERE)을 이용한 걸음걸이 바이오 인식 시스템을 제안한다. 먼저 주어진 걸음걸이 시퀀스로부터 걸음걸이 에너지 영상 (Gait Energy Image, GEI)을 추출한다. 추출된 걸음걸이 에너지 영상에 ERE를 적용하여, 정규화된 변환행렬과 갤러리 특징정보를 찾아낸다. 사용자 식별을 위해 걸음걸이 시퀀스로부터 취득한 걸음걸이 에너지 영상에 변환행렬을 적용하여 프로브 특징정보를 찾아내고, 이에 대한 최근접 이웃 분류기 (Nearest Neighbor Classifier)의 결과에 기반하여 사용자를 판단한다. 제안한 걸음걸이 인식 시스템의 유효성 검증을 위해 CASIA 걸음걸이 데이터셋 A을 이용하여 실험하였고, 실험 결과 사용자 인식정확도 면에서 우수한 성능을 보여주었다.
고유특징 정규화 및 추출 기법을 이용한 걸음걸이 바이오 정보 기반 사용자 인식 시스템
이병윤(Byungyun Lee),홍성준(Sungjun Hong),이희성(Heesung Lee),김은태(Euntai Kim) 한국지능시스템학회 2011 한국지능시스템학회논문지 Vol.21 No.1
본 논문에서는 고유특징 정규화 및 추출 기법(ERE: Eigenfeature Regularization and Extraction)을 이용한 걸음걸이 바이오 정보 기반 사용자 인식 시스템을 제안한다. 먼저 카메라 센서에서 취득한 걸음걸이 시퀀스로부터 사용자 인식을 위한 특징 정보로 걸음걸이 에너지 영상(GEI: Gait Energy Image)을 생성한다. 학습 단계에서는 갤러리 걸음걸이 에너지 영상에 ERE를 적용하여 정규화된 변환행렬을 획득하여 고유공간(eigenspace)에 사상된 특징정보를 구하고, 검증 단계에서는 걸음걸이 에너지 영상을 학습단계에서 생성한 고유공간에 사상하여 최근접 이웃 분류기를 이용하여 사용자를 인식한다. 제안한 시스템의 유효성 검증을 위해 CASIA 걸음걸이 데이터셋 A를 이용하여 실험하였고, 기존 연구에 비해 인식 정확도 면에서 우수한 성능을 보여주었다. In this paper, we propose a gait-based human identification system using eigenfeature regularization and extraction (ERE). First, a gait feature for human identification which is called gait energy image (GEI) is generated from walking sequences acquired from a camera sensor. In training phase, regularized transformation matrix is obtained by applying ERE to the gallery GEI dataset, and the gallery GEI dataset is projected onto the eigenspace to obtain galley features. In testing phase, the probe GEI dataset is projected onto the eigenspace created in training phase and determine the identity by using a nearest neighbor classifier. Experiments are carried out on the CASIA gait dataset A to evaluate the performance of the proposed system. Experimental results show that the proposed system is better than previous works in terms of correct classification rate.
K-nearest neighbor를 위한 퍼지를 이용한 확률 정보의 결합
이희성(Heesung Lee),홍성준(Sungjun Hong),이병윤(Byungyun Lee),김은태(Euntai Kim) 한국지능시스템학회 2010 한국지능시스템학회 학술발표 논문집 Vol.20 No.2
K-nearest neighbor는 입력 패턴의 클래스를 테스트 데이터와 학습 데이터와의 거리를 통해 결정하는 방법으로써 효율성과 우수한 성능으로 인해 여러 분야에서 많이 쓰이고 있다. 반면에 선정된 K개의 학습 데이터들이 거리에 상관없이 같은 기여도를 갖는 문제점을 가지고 있다. 본 논문에서는 확률적 접근을 통해 이 문제를 해결한다. 우선 테스트 데이터와 학습 데이터의 거리 정보를 이용하여 각각의 확률을 생성한 후에 퍼지 시스템을 이용하여 이 확률을 융합한다. 제안하는 알고리즘의 타당성을 보이기 위하여 두 개의 데이터베이스를 사용하였으며 기존의 방법에 비해 우수함을 볼 수 있었다.
유전자 알고리즘을 이용한 강인한 Support vector machine 설계
이희성(Heesung Lee),홍성준(Sungjun Hong),이병윤(Byungyun Lee),김은태(Euntai Kim) 한국지능시스템학회 2010 한국지능시스템학회논문지 Vol.20 No.3
Support vector machine (SVM)은 튼튼한 이론적 배경을 가지고 있고 구조적 위험을 성공적으로 최소화하기 때문에 추천가 시스템과 같은 다양한 패턴 인식 분야에서 사용되고 있다. 하지만 SVM이 초평면을 결정할 때 이상점들은 margin 손실들을 가지고 있기 때문에 이들은 초평면을 결정하는데 매우 중요한 역할을 하고 있다. 그 이유로 SVM은 이상점들에게 매우 민감한 문제점을 갖는다. 강인한 SVM을 위해 우리는 이상점들의 margin 손실의 최대치를 제한하지만 이것은 non-convex 최적화 문제를 포함한다. 따라서 본 논문에서는 non-convex 최적화 문제에 적합한 유전자 알고리즘을 이용하여 강인한 SVM을 설계하는 방법을 제안한다. 제안하는 알고리즘의 우수성을 보여주기 위하여 UCI repository에서 선택된 여러 데이터베이스들을 이용한 실험을 수행하였다. The support vector machine (SVM) has been widely used in variety pattern recognition problems applicable to recommendation systems due to its strong theoretical foundation and excellent empirical successes. However, SVM is sensitive to the presence of outliers since outlier points can have the largest margin loss and play a critical role in determining the decision hyperplane. For robust SVM, we limit the maximum value of margin loss which includes the non-convex optimization problem. Therefore, we proposed the design method of robust SVM using genetic algorithm (GA) which can solve the non-convex optimization problem. To demonstrate the performance of the proposed method, we perform experiments on various databases selected in UCI repository.