Extreme Learning을 통한 Convolutional Neural Network 분류기의 빠른 학습 및 보행자 검출기로의 적용 :Fast Training of Convolutional Neural Network Classifiers through Extreme Learning and Application to Pedestrian Detection

유영우

추천

검색

자료유형: 학위논문

저자정보: 유영우 (포항공과대학교, 포항공과대학교 일반대학원)

지도교수: 오세영

발행연도: 2016

저작권: 포항공과대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2016

Extreme Learning을 통한 Convolutional Neural Network 분류기의 빠른 학습 및 보행자 검출기로의 적용

유영우 전자전기공 2016.01 학위논문

2015

Extreme Learning을 통한 Convolutional Neural Network의 빠른 학습

유영우 , 오세영 대한전자공학회 학술대회 2015.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

This thesis presents a fast method to train CNN classifiers through extreme learning and its classification and detection performance is verified with the popular datasets on classification and pedestrian detection. CNN has been one of the best classifiers for images and object recognition. However, the Backpropagation (BP) algorithm, mostly used for training CNN, suffers from slow learning, local minimum, and poor generalization from overfitting. To solve these problems, a new architecture called CNN-ELM has been proposed here. It is based on a local image version of the ELM representation learning. Using MATLAB 2015a, the classification experiments show a comparable or mostly better classification performance compared to the BP trained CNN, with its training speed up to 200 times faster for MNIST, NORB, and CIFAR-10 datasets. The pedestrian detection experiment using INRIA and POSTECH datasets also exhibits much faster training but with similar detection performance than the BP trained CNN.

#Convolutional neural network #Extreme learning machine #Deep learning #Image classification #Pedestrian detection

I. Introduction 1
1.1 Convolutional Neural Network (CNN) 1
1.2 Extreme Learning Machine (ELM) 3
1.3 Thesis Organization 5
II. CNN-ELM Classifier 6
2.1 Architecture of CNN-ELM 6
2.2 Training CNN-ELM 7
2.2.1 Training ELM 7
2.2.2 Training ELM Auto-encoder 9
2.2.3 Training Multi layered ELM 10
2.2.4 Training CNN-ELM 12
2.3 ELM Parallel Learning 16
2.3.1 Memory Issues of Training CNN-ELM 16
2.3.2 Parallel Learning of ELM 16
2.3.3 Parallel Learning of CNN-ELM 18
III. Implementation 19
3.1 Image Classification 20
3.1.1 MNIST DB 20
3.1.2 NORB DB 21
3.1.2 CIFAR-10 DB 22
3.2 Pedestrian detection 22
3.2.1 Detection Method 23
3.3.2 INRIA Pedestrian DB 25
3.3.3 POSTECH Pedestrian DB 27
IV. Experimental Results 29
4.1 Image Classification 29
4.1.1 MNIST DB 29
4.1.2 NORB DB 31
4.1.3 CIFAR-10 DB 32
4.2 Pedestrian Detection 33
4.2.1 INRIA DB 33
4.2.2 POSTECH DB 40
V. Conclusion and Future Works 44
REFERENCES 46

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)