http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
해충 분류를 위한 양방향 특징 퓨전 기반의 Pyramid Vision Transformer
홍은하(Eun-Ha Hong),이재현(Jae-Hyeon Lee),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.6
해충은 인간을 공격하여 물리적인 피해를 주고 작물을 갉아먹어 작물의 생육 환경에 피해를 준다. 지구온난화로 인한 기온 상승으로 인해 해충이 번식하기 좋은 환경이 되어 발생 면적이 늘어나고 있다. 해충으로 인한 피해를 줄이기 위해서는 해충의 종류에 따른 신속한 방제가 중요하다. 해충은 크기가 작고 종류가 다양해 전문가의 판단이 필요하다. 이는 많은 시간과 비용이 소요된다. 따라서 전이학습 기반의 딥러닝 모델을 사용한 해충 분류 자동화 기술이 필요하다. 전이학습 기반의 모델인 Pyramid Vision Transformer(PVT)를 개선하여 해충분류를 위한 새로운 아키텍처를 제안해 해충 분류 성능을 높이고자 한다. Pest attack humans, causing physical damage and devouring crops, causing damage to the growing environment of crops. Due to the increase in temperature due to global warming, the area of occurrence is increasing as it is a favorable environment for pests to breed. In order to reduce the damage caused by pests, prompt control according to the type of pest is important. Pests are small in size and diverse, so expert judgment is required. This takes a lot of time and money. Therefore, a pest classification automation technology using a deep learning model based on transfer learning is required. By improving the Pyramid Vision Transformer (PVT), a transfer learning-based model, a new architecture for pest classification is proposed to improve pest classification performance.
홍은하(Eun-Ha Hong),이재현(Jae-Hyeon Lee),손창환(Chang-Hwan Son),이휘종(Hwijong Yi) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.11
수많은 종류의 해충은 종류에 따라 물리적인 피해, 작물 수확의 피해 그리고 생태계 보전 가치를 해치는 피해를 준다. 하지만 해충은 작고 비슷하게 생겨 전문가가 아닌 사람이 육안으로 해충의 종류를 알고 분류하기란 쉽지 않다. 따라서 본 논문은 해충 영상을 분류를 위해 6개의 딥러닝 모델 ResNet50, VGG16, SqueezeNet, FPN(Feature Pyramid Network), Attention Gated Network, PVT(Pyramid Vision Transformer)의 분류 성능에 대한 비교 분석을 하려 한다 이를 통해 해충 영상 분류에 가장 우수한 모델을 찾아 해충의 종류에 따른 적합한 방제 시스템을 구축하고자 한다. Numerous types of pests cause physical damage, damage to crop harvest, and damage that harms ecosystem conservation value depending on the type. However, since the pests are small and similar, it is not easy for non-experts to recognize and classify the types of pests with the naked eye. Therefore, this paper want to perform a comparative analysis on the classification performance of six deep learning models ResNet50, VGG16, SqueezeNet, FPN(Feature Pyramid Network), Attention Gated Network, and PVT(Pyramid Vision Transformer) to classify pest images. Through this, we want to find the best model for pest image classification and build an appropriate control system according to the pest type.
정재민(Jae-Min Jeong),정진영(Jin-Young Jeong),홍은하(Eun-Ha Hong),손창환(Chang-Hwan Son) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.12
최근 초해상화 분야는 텍스처 복원과 인지 화질 평가에서 우수한 성능을 거두고 있는 인지 주도 방식이 대세를 이루고 있다. 기존의 인지 주도 기반의 초해상화 기법은 저해상도 영상을 사용해서 학습하기 때문에 고해상도 영상의 특징을 학습하기 어렵다는 단점이 있다. 따라서 본 연구에서는 고해상도 영상으로 학습된 오토인코더를 활용하여 고해상도 영상의 특징 정보를 초해상화 모델에 전이할 수 있는 신경망 모델을 제안하고자 한다. 또한 실험 결과를 통해, 제안한 지식 전이 손실 모델을 사용하여 복원 영상의 선명도를 개선할 수 있음을 입증하고자 한다. Recently, in the field of super-resolution, the cognitive-driven method, which has excellent performance in texture restoration and recognition quality evaluation, is in trend. The existing perceptual-driven super-resolution method has a disadvantage in that it is difficult to learn the characteristics of high-resolution images because it learns using low-resolution images. Therefore, in this study, we propose a neural network model that can transfer feature information of high-resolution images to super-resolution models by using autoencoders learned from high-resolution images. Also, through the experimental results, we intend to prove that the sharpness of the reconstructed image can be improved using the proposed knowledge transfer loss model.