메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
류서현 (국방기술품질원)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제19권 제4호
발행연도
2018.4
수록면
161 - 166 (6page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
본 논문에서는 컨볼루션 신경망 구조(Convolution Neural Network)에서 정규화 및 교차검증 횟수 감소를 위한 무작위로 풀링 연산을 선택하는 방법에 대해 설명한다. 컨볼루션 신경망 구조에서 풀링 연산은 피쳐맵(Feature Map) 크기 감소 및 이동 불변(Shift Invariant)을 위해 사용된다. 기존의 풀링 방법은 각 풀링 계층에서 하나의 풀링 연산이 적용된다. 이러한 방법은 학습 간 신경망 구조의 변화가 없기 때문에, 학습 자료에 과도하게 맞추는 과 적합(Overfitting) 문제를 가지고 있다. 또한 최적의 풀링 연산 조합을 찾기 위해서는, 각 풀링 연산 조합에 대해 교차검증을 하여 최고의 성능을 내는 조합을 찾아야 한다. 이러한 문제를 해결하기 위해, 풀링 계층에 확률적인 개념을 도입한 무작위 풀링 연산 선택 방법을 제안한다. 제안한 방법은 풀링 계층에 하나의 풀링 연산을 적용하지 않는다. 학습기간 동안 각 풀링 영역에서 여러 풀링 연산 중 하나를 무작위로 선택한다. 그리고 시험 시에는 각 풀링 영역에서 사용된 풀링 연산의 평균을 적용한다. 이러한 방법은 풀링 영역에서 서로 다른 풀링 조합을 사용한 구조의 평균을 한 것으로 볼 수 있다. 따라서, 컨볼루션 신경망 구조가 학습데이터에 과도하게 맞추어지는 과적합 문제를 피할 수 있으며, 또한 각 풀링 계층에서 특정 풀링 연산을 선택할 필요가 없기 때문에 교차 검증 횟수를 감소시킬 수 있다. 실험을 통해, 제안한 방법은 정규화 성능을 향상시킬 뿐만 아니라 및 교차 검증 횟수를 줄일 수 있다는 것을 검증하였다.
#Convolutional neural networks #Cross validation #Deep learning #Overfitting #Pooling

목차

요약
Abstract
1. 서론
2. 관련연구
3. 무작위 풀링 연산 선택
4. 실험
5. 결론
References

참고문헌 (10)

참고문헌 신청
Ciregan, Dan, Ueli Meier, and Jurgen Schmidhuber, Multi-column deep neural networks for image classification, Computer vision and pattern recognition (CVPR), 2012 IEEE conference on. IEEE, 2012. DOI: https://doi.org/10.1109/CVPR.2012.6248110 Parkhi, Omkar M., Andrea Vedaldi, and Andrew Zisserman, Deep Face Recognition, BMVC, vol. 1. no. 3. 2015. DOI: https://doi.org/10.5244/C.29.41 Tian, Yonglong, et al, Deep learning strong parts for pedestrian detection, Proceedings of the IEEE international conference on computer vision, 2015. DOI: https://doi.org/10.1109/ICCV.2015.221 Amodei, Dario, et al, Deep speech 2: End-to-end speech recognition in english and mandarin, International Conference on Machine Learning. 2016. Srivastava, Nitish, et al, Dropout: a simple way to prevent neural networks from overfitting, Journal of Machine Learning Research 15.1 (2014): 1929-1958.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

헬리콥터 운동모델 구축을 위한 비행시험 데이터 분석 및 고찰
전다형 ,  강병룡 ,  노은정 외 1명 한국항공우주학회 학술발표회 초록집 2016 .04
헬리콥터 운동모델 구축을 위한 비행시험 데이터 획득방법에 대한 연구
노은정 ,  강병룡 ,  전다형 외 1명 한국항공우주학회 학술발표회 초록집 2016 .04
복부 CT 영상에서 밝기값 정규화 및 Faster R-CNN을 이용한 자동 췌장 검출
최시은 ,  이성은 ,  홍헬렌 멀티미디어학회논문지 2021 .03
기동헬기 측면항법 알고리즘 구현 및 검증
김성우 ,  고은경 한국정보통신학회논문지 2018 .02
GPS 속도를 이용한 대기자료장치 대기속도 보정
윤성훈 ,  최영미 ,  임흥식 외 1명 한국항공우주학회 학술발표회 초록집 2017 .11

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2018-505-002006723