지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2024.9
- 수록면
- 752 - 755 (4page)
- DOI
- 10.5909/JBE.2024.29.5.752
이용수
초록· 키워드
오류제보하기
본 논문에서는 이미지 캡셔닝에서 개별 가지치기 기법을 통해 효율적인 트랜스포머 네트워크를 제안한다. 일반적으로 이미지 캡션 모델은 사전 학습된 CNN 인코더, 트랜스포머 인코더 및 디코더의 세 가지로 구성된다. 본 연구에서는 캡션 모델의 각 구성 요소를 개별적으로 최적화하도록 설계한 가지치기(Pruning) 기술을 통해, 전체 구조가 기존 캡셔닝 모델과 다르더라도 인코더 또는 디코더 네트워크와 같은 유사한 구성 요소를 공유하는 모델에 대한 적용성을 넓혔다. 또한 디코더에서 캡셔닝을 위한 손실함수를 적용함으로써 성능을 향상시켰다. 본 모델을 영문 및 한글 버전에 적용한 결과 기존 대비 우수한 성능을 확인하였다.
목차
요약
Abstract
Ⅰ. 서론
Ⅱ. 제안한 개별 가지치기에 기반한 이미지 캡셔닝 기법
Ⅲ. 실험 및 결과
Ⅳ. 결론
참고문헌 (References)
참고문헌 (7)
참고문헌 신청
T. Y. Lin, M. Marie, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollar, and C. L. Zitnick, “Microsoft COCO: Common Objects in Context,” in 13th European Conference: Computer Vision, Zurich, Switzerland, pp. 745-755, 2014. doi: https://doi.org/10.48550/arXiv.1405.0312
R. Vedantam, C. L. Zitnick, and D. Parikh, “CIDEr: Consensus-based image description evaluation,” in 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 2015. doi: https://doi.org/10.1109/CVPR.2015.7299087
J. H. Tan, C. Chan, and J. J. Chuah, “End-to-End Super mask Pruning: Learning to Prune Image Captioning Models,” Pattern Recognition, vol. 122, no. 1, pp. 1-12, 2022. doi: https://doi.org/10.1016/j.patcog.2021.108366
X. Dai, H. Yin, “Grow and Prune Compact, Fast, and Accurate LSTMs,” IEEE Transactions on Computers, vol. 69, no. 3, pp. 441-452, 2020. doi: https://doi.org/10.1109/TC.2019.2954495
A. Khetan, and Z. Karnin, “PruneNet: Channel Pruning via Global Importance,” 2020, arXiv:2005.11282 [cs. LG]. doi: https://doi.org/10.48550/arXiv.2005.11282
R. Vedantam, C. L. Zitnick, and D. Parikh, “CIDEr: Consensus-based image description evaluation,” in 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 2015. doi: https://doi.org/10.1109/CVPR.2015.7299087
J. H. Tan, C. Chan, and J. J. Chuah, “End-to-End Super mask Pruning: Learning to Prune Image Captioning Models,” Pattern Recognition, vol. 122, no. 1, pp. 1-12, 2022. doi: https://doi.org/10.1016/j.patcog.2021.108366
X. Dai, H. Yin, “Grow and Prune Compact, Fast, and Accurate LSTMs,” IEEE Transactions on Computers, vol. 69, no. 3, pp. 441-452, 2020. doi: https://doi.org/10.1109/TC.2019.2954495
A. Khetan, and Z. Karnin, “PruneNet: Channel Pruning via Global Importance,” 2020, arXiv:2005.11282 [cs. LG]. doi: https://doi.org/10.48550/arXiv.2005.11282
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
Video Captioning with Vision Transformer
한국정보과학회 학술발표논문집
2021 .12
-
이미지 캡셔닝 방법의 성능 비교
한국정보과학회 학술발표논문집
2017 .12
-
이미지 캡셔닝에 미치는 주의 메커니즘의 효과
대한전기학회 학술대회 논문집
2019 .07
-
Transformer를 이용한 이미지 캡션 생성
한국정보과학회 학술발표논문집
2019 .12
-
VLM을 활용한 이미지 캡셔닝 연구 동향
한국정보과학회 학술발표논문집
2023 .06
-
전문성 이식을 통한 딥러닝 기반 전문 이미지 해석 방법론
지능정보연구
2020 .06
-
이미지 캡셔닝을 활용한 건설현장 안전관리 정보 추출 성능 평가
대한건축학회 학술발표대회 논문집
2024 .10
-
트랜스포머 기반의 이미지 캡셔닝을 이용한 영상 클러스터링
한국정보통신학회 종합학술대회 논문집
2023 .10
-
폭우환경에서의 이미지 캡셔닝을 위한 인코더 모델
Proceedings of KIIT Conference
2021 .06
-
폭우 환경에서의 시각 특징 정합을 통한 이미지 캡셔닝 향상 기법
Proceedings of KIIT Conference
2020 .10
-
Self-revising Transformer with Multi-view for Image Captioning
Journal of KIISE
2021 .03
-
Image Captioning using Multiple Transformers for Self-Attention Mechanism
한국정보과학회 학술발표논문집
2020 .12
-
주요 장면 추출 알고리즘을 이용한 비디오 캡셔닝 알고리즘
대한전자공학회 학술대회
2020 .08
-
노이즈 환경에서 특징 맵 복원을 통한 효과적인 Change Captioning 기법
한국방송미디어공학회 학술발표대회 논문집
2024 .06
-
Spatial Cross-Attention for Transformer-based Image Captioning
한국통신학회 학술대회논문집
2023 .02
-
Boosting Image Caption Generation with Parts of Speech
Journal of KIISE
2021 .03
-
단어 손실함수를 추가한 트랜스포머 인코더-디코더 기반의 제목 생성 모델
한국정보과학회 학술발표논문집
2020 .07
-
행동 인식 참조 이미지 캡셔닝
한국방송미디어공학회 학술발표대회 논문집
2019 .06
-
이미지 품질 개선 및 캡셔닝 기법을 통합한 국방 작전 분야 이미지 분석 프레임웍
한국통신학회 인공지능 학술대회 논문집
2023 .09
-
Improvement of Text-Guided Image Editing Using Image Captioning
한국정보과학회 학술발표논문집
2024 .06
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0