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
- 학위논문
- 저자정보
- 지도교수
- 박광현
- 발행연도
- 2018
- 저작권
- 광운대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
이미지-이미지 번역은 이미지 데이터를 사용하는 딥러닝의 응용 분야 중 하나이다. 인공신경망의 입력과 출력 데이터가 모두 이미지 형태이며, 그 사이의 매핑을 학습시키게 된다. 이미지-이미지 번역에는 많은 응용들이 존재하는데, 본 논문에서는 그중 이미지 상의 특정 물체를 다른 물체로 변형하는 물체 변형의 성능 개선을 목표로 한다. 이러한 물체 변형을 수행하는데 있어서는 목표가 되는 물체만 정확하게 인식하고 해당 부분에만 적절한 변형을 해주는 것이 최적이라고 할 수 있다. 하지만 기존 결과에서는 목표가 되는 물체 이외의 부분, 즉 배경에도 변형이 가해지는 경향을 확인할 수 있다. 본 논문에서는 이러한 경향을 개선하기 위해 인공신경망의 구조에 초점을 맞추었고, 그를 변형하여 새로운 구조를 제안한다. 기존 구조에 제약을 추가해 물체 변형을 수행하기 좀 더 적합하게 변경하였으며, 이미지-이미지 번역에서 자주 사용되는 기존 구조들을 결합하여 그들의 장점은 살리고 단점은 보완한 구조를 제시하였다. 또한 본 논문의 목표를 정량적으로 평가하기 위한 지표를 제시하고 이를 통한 정량적인 평가를 통해 성능을 검증하였다.
목차
1. 서론 12. 배경 지식 및 관련 연구 42.1. 합성곱 인공신경망(Convolutional Neural Networks) 42.2. GAN (Generative Adversarial Networks) 82.3. 사이클-GAN 132.2. 이미지-이미지 번역(Image to Image Translation) 173. 제안하는 방법 223.1. 입력 잔차(Input Residual) 223.2. 기존 구조 243.2.1. Residual-net 243.2.2. U-net 273.3. 제안하는 구조(W-net) 294. 실험 314.1. 실험 및 학습 관련 세부사항 314.2. 지표 제시 364.3. 실험결과 385. 결론 45참고문헌 46
최근 본 자료
댓글(0)
0