http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 김백섭(BaekSop Kim) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
초음파 영상을 위한 계층적 특징점 기반 블록 움직임 추출 (pp.745-747)
신성철(Seongchul Shin),김백섭(Baeksop Kim),배무호(MooHo Bae) 한국정보과학회 2005 한국정보과학회 학술발표논문집 Vol.32 No.1
본 논문은 연속 초음파 영상으로부터 모자이크 영상을 구하기 위한 특징점 기반 블록 움직임 추출 방법에서 정확도를 높이고 계산 시간을 줄이기 위해 다해상도(multi-resolution)영상을 이용한 계층적 특징점 기반 블록 움직임 추출 방법을 제시하였다. 초음파 영상에서의 Speckle 노이즈의 영향을 줄이기 위해 저해상도의 영상에서 특징점을 추출하고, 계산 시간을 줄이기 위해 저해상도 영상의 추정된 움직임을 고해상도 영상의 움직임 추정에 적용하여 탐색 범위를 줄였다. 그 결과 계산 시간을 개선하면서 모자이크 영상의 정확도를 높일 수 있었다.
-
자동차 번호판 인식을 위한 2중 용도의 인코더-디코더 모델
박천덕(Chunduck Park),김백섭(Baeksop Kim) 한국정보과학회 2021 정보과학회논문지 Vol.48 No.1
최근 머신 러닝 기술이 빠르게 발전함에 따라 신경망 모델을 이용한 번호판 인식이 높은 성능을 보이고 있다. 머신 러닝의 성능에 영향을 좌우하는 중요한 두 가지 요소는 데이터와 모델이며 주어진 데이터의 특성에 가장 적합한 모델을 선택하고 최적화할 때 높은 성능을 얻을 수 있다. 번호판 인식용 데이터는 이미지와 다양한 레이블로 구성되는데 이중에서 글자 클래스 레이블은 필수 불가결이지만 글자의 위치와 크기를 알 수 있는 글자 경계 박스 레이블은 옵션으로 드물게 제공된다. 글자 경계 박스 레이블이 제공되는 경우에는 이미지에서 글자를 검출하여 인식하는 모델을 사용할 수 있다. 반면 글자 경계 박스 레이블 없이 클래스 레이블만 제공되는 경우에는 글자의 위치를 알 수 없기 때문에 다양한 모델 선택에 제약이 생기는데, 이런 경우 일반적으로 인코더-디코더 모델을 사용한다. 인코더-디코더 모델은 검출 기반 모델에 비해 성능이 낮다. 실제로 번호판 인식을 위해 데이터를 수집하는 경우 이미지와 글자 클래스 레이블로 구성된 데이터와 글자 경계 박스 레이블이 추가된 데이터가 섞여 있게 되는데 기존 방법은 클래스 레이블만 사용해서 전체 데이터를 사용해 인코더-디코더 모델을 학습시키거나, 일부 글자 경계 박스 레이블이 있는 데이터만 사용해서 분리-인식 모델을 학습시키는 두 가지 방법 중 하나를 선택해야만 한다. 본 논문에서는 글자 경계 박스 레이블이 있는 데이터와 없는 데이터가 섞여 있는 경우에도 모든 데이터를 사용할 수 있는 번호판 인식 모델을 제안한다. 제안된 모델은 경계 박스 레이블이 없어도 사용할 수 있도록 Resnet[1]과 Transformer[2]를 인코더-디코더 모델로 조합하였고 경계 박스 레이블이 있는 경우에는 그에 대한 손실함수를 추가하여 효과적인 학습을 할 수 있도록 하였다. 글자 클래스 레이블만 있는 대만의 AOLP[3] 데이터에 대해 실험 결과 기본 방법들보다 높은 99.55%의 인식 정확도를 보였다. 경계 박스 레이블이 추가되어 있는 한국의 KarPlate[4] 데이터에 대해서는 98.82%의 인식률을 보여 기존의 검출 기반 방법보다 성능이 약간 높아졌다. 여기에 글자 클래스 레이블만 있고 경계 박스 레이블은 없는 데이터를 추가하는 경우 99.25%로 인식률이 향상되었다. Due to the rapid, continuous development of machine learning, the neural network model shows high performance in the field of license plate recognition. The most important factors in the performance of machine learning are the data and the model. Most license plate datasets are only given character sequence labels. In such cases, an encoder-decoder model is typically used to recognize character sequences. Detection-based models are better than encoder-decoder models, but they can only be used when character-bounding box labels are included in the dataset, which requires a high labeling cost. In this paper, we suggest an encoder-decoder model that can be used regardless of the presence or absence of character bounding box labels. It includes a combination of the Resnet [1] encoder and the Transformer [2] decoder. The proposed model not only achieves high recognition performance in the absence of character-bounding box labels, but also improves the performance by exploiting bounding box labels when they are available. In case of the Taiwan AOLP [3] dataset containing character sequence labels only, the proposed model shows 99.55% accuracy, which is higher than those of the conventional methods. Further, for the Korean KarPlate [4] dataset which includes additional character bounding box labels, the accuracy of the proposed model is 98.82%. This is still slightly higher than those of the conventional methods, but it is worth noting that the accuracy is improved to 99.25% when the data without character bounding box labels are added.
-
초음파 영상에서 비선형 광학 흐름 추정 방법을 이용한 움직임 보상 시간 필터
임수철(Soochul Lim),한태희(Taehee Han),김백섭(Baeksop Kim) 한국정보과학회 2005 한국정보과학회 학술발표논문집 Vol.32 No.1
본 논문은 연속 초음파 영상에서 움직임 보상 시간 필터를 적용하여 영상의 품질을 향상시키는 방법을 제안한다. 비선형 광학 흐름 추정 방법을 이용하여 화소 단위의 움직임을 추정하고, 이를 바탕으로 시간적 재귀 필터링을 적용한다. 화소 단위 움직임 벡터의 양이 작을 경우 필터링을 크게 하고, 움직임 벡터의 양이 클 경우 필터링을 작게 적용한다. 그 결과 프로브에 의한 전역적 움직임과 측정 대상물에 의한 국부적 움직임으로 발생되는 블러 현상을 극소화하고 잡음을 감소시켜 영상의 품질을 향상시켰다.
-
국부적 영역에서의 특징 공간 속성을 이용한 다중 인식기 선택
신동국(Dong-Kuk Shin),송혜정(Hye-Jeong Song),김백섭(BaekSop Kim) 한국정보과학회 2004 정보과학회논문지 : 소프트웨어 및 응용 Vol.31 No.12
본 논문은 시험 표본 주위의 영역에 대한 속성을 이용한 다중 인식기 선택 방법을 제안한다. 기존의 DCS-LA 동적 인식기 선택 방법은 시험 표본 주위의 학습표본들을 사용해서 각 인식기의 국부적정확성을 계산하여 인식기를 동적으로 선택하기 때문에 인식 시간이 오래 걸린다. 본 논문에서는 특징공간에서 국부적인 속성을 계산해서 그 속성값에 적합한 인식기를 미리 선정해서 저장해 놓은 후 시험 표본이 들어오면 그 주변의 속성값에 따라 저장된 인식기에서 선택을 하기 때문에 인식시간을 줄일 수 있다. 국부적인 속성으로는 표본 주위의 작은 영역에 대한 엔트로피와 밀도를 계산하여 사용하였으며 이들을 특징공간속성(Feature Space Attribute)라고 하였다. 이들 두 속성으로 이루어지는 속성 공간을 규칙적인 사각형 셀로 나누어, 학습과정에서 각각의 학습표본에 대해 계산된 속성값이 어떤 셀에 속하는지를 구한다. 또한 각 셀에 속하는 학습표본들에 대해 각 인식기의 국부적 정확도를 구하여 셀에 저장한다. 시험 과정에서 시험표본에 대해 속성값 계산을 통해 그 표본이 속하는 셀을 구한 후 그 셀에서 국부적 정확도가 가장 높은 인식기로 인식한다. Elena 데이타베이스를 사용해서 기존의 방법과 제안된 방법을 비교하였다. 제안된 방법은 기존의 DCS-LA와 거의 같은 인식률을 나타내지만 인식속도는 약 4배 가까이 빨라짐을 실험을 통해 확인할 수 있었다. This paper presents a method for classifier selection that uses distribution information of the training samples in a small region surrounding a sample. The conventional DCS-LA(Dynamic Classifier Selection - Local Accuracy) selects a classifier dynamically by comparing the local accuracy of each classifier at the test time, which inevitably requires long classification time. On the other hand, in the proposed approach, the best classifier in a local region is stored in the FSA(Feature Space Attribute) table during the training time, and the test is done by just referring to the table. Therefore, this approach enables fast classification because classification is not needed during test. Two feature space attributes are used : entropy and density of k training samples around each sample. Each sample in the feature space is mapped into a point in the attribute space made by two attributes. The attribute space is divided into regular rectangular cells in which the local accuracy of each classifier is appended. The cells with associated local accuracy comprise the FSA table. During test, when a test sample is applied, the cell to which the test sample belongs is determined first by calculating the two attributes, and then, the most accurate classifier is chosen from the FSA table. To show the effectiveness of the proposed algorithm, it is compared with the conventional DCS-LA using the Elena database. The experiments show that the accuracy of the proposed algorithm is almost same as DCS-LA, but the classification time is about four times faster than that.
ScienceON
DBpia연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
