http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
딥러닝 기반 옵티컬 플로우 추정을 사용한 시각 정보의 촉각 대체 기술
신유정 ( Yujeong Shin ),김무섭 ( Mooseop Kim ),정치윤 ( Chi Yoon Jeong ) 한국정보처리학회 2022 한국정보처리학회 학술대회논문집 Vol.29 No.2
감각대체기술은 손상된 감각 정보를 다른 감각으로 전환하여 전달하는 기술로써 기존의 시각장애인을 위한 시각 정보의 촉각 대체 기술은 주로 거리 정보나 물체의 윤곽선 정보를 전달하여 사용자가 주변 환경을 이해하는 데 어려움이 있었다. 이를 해결하기 위해 본 논문에서는 딥러닝을 사용하여 사용자 주변의 모션 정보를 분석하고, 이를 촉각 정보로 전달함으로써 사용자가 주변 상황 정보를 인지 할 수 있는 방법을 제안하였다. 제안 방법과 기존의 윤곽선 정보 전달 방법을 사용자 실험을 통하여 비교하였을 때, 제안 방법이 영상 속 물체의 움직임 정보를 이해하는 데에 더욱 효과적임을 확인하였다.
다양한 불균형 데이터셋에서 심층 신경망의 손실 함수 성능 비교 분석
하동휘(Donghee Ha),김무섭(Mooseop Kim),정치윤(Chi Yoon Jeong) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
심층 신경망 모델 학습 시, 특정 클래스의 데이터 수가 다른 클래스들보다 현저히 적었을 때 발생하는 데이터 불균형 문제는 심층 신경망 모델의 성능을 저하시키는 주요 원인으로 알려져 있다. 이러한 문제를 해결하기 위해서 데이터 불균형을 고려한 손실 함수들이 많이 제안되고 있지만, 이들에 대한 비교 분석 연구는 진행되고 있지 않다. 따라서, 본 논문에서는 기존의 손실 함수들을 불균형 비율이 서로 다른 4 개의 공개 데이터셋에 적용하여 객관적인 성능 비교를 수행하였다. 손실 함수는 Cross Entropy(CE), Focal Loss, Equalization Loss 등 총 7 가지를 사용하였다. 실험 결과, F1 스코어와 AUPRC(Area Under Precision-Recall Curve) 기준으로 데이터셋마다 가장 좋은 성능을 보인 손실 함수가 달랐으며, 일부 손실 함수는 CE 보다 낮은 성능을 보였다. 또한, Focal Loss 가 유일하게 모든 데이터셋에서 CE 대비 성능향상을 확인하였다.