디지털 라이브러리[ 검색결과 ]
데이터셋 품질 개선을 위한 Self-Supervised Vision Transformer 기반의 객체 Pseudo-label 생성 기법
http://doi.org/10.5626/JOK.2024.51.1.49
이미지 분할은 이미지에 존재하는 객체를 객체 상자로 지역화하고 픽셀을 적절한 범주로 분류하는 컴퓨터 비전의 중요한 분야 중 하나이다. Instance segmentation 모델의 성능을 위해서는 다양한 크기의 객체에 대한 라벨을 가진 데이터셋이 요구된다. 하지만 최근 공개된 ‘Small Object Detection을 위한 이미지’ 데이터셋은 크기가 크고 일반적인 객체에 대한 라벨이 부족하여 잠재적 성능 저하를 유발한다. 본 논문에서는 위와 같은 문제를 해결하기 위해 비지도 학습 기반의 pseudo-labeling 방법론을 응용하여 일반적인 객체에 대한 pseudo-label을 생성함으로써 데이터셋의 품질을 개선한다. 실험결과, 기존 데이터셋 대비 작은 객체 분할 성능이 (+2.54 AP) 증가하였다. 추가적으로 적은 양의 데이터를 이용한 경우에서도 성능의 증가도 확인할 수 있었다. 이에 따라 제안된 방법론을 통해 효과적으로 데이터셋의 품질이 개선된 것을 확인할 수 있었다.
심층 신경망의 영상 인식 분류 성능 균일성 향상을 위한 명시적 상호보완 앙상블 구조
http://doi.org/10.5626/JOK.2019.46.9.941
본 논문에서는 영상 인식 분류 시스템의 주요한 성능평가 고려사항 중 하나인 분류 대상 별 성능 편차문제를 완화시키기 위한 새로운 심층 신경망 기반 조화 앙상블(Harmony) 기법을 제안한다. 조화 앙상블 기법은 표적 모델(Target model), 보완 모델(Complementary model) 그리고 지휘자 모델(Conductor model)로 명명된 3가지의 하위 모듈들로 구성된다. 제안하는 기법에서의 분류 대상은 지휘자 모델에서의 결과에 따라 표적 모델 또는 보완 모델을 통해 선택적으로 처리된다. 표적 모델은 종래의 분류모델과 동일한 방식으로 학습된다. 반면에 보완 모델은 표적 모델의 취약한 분류 대상에 대하여 상호보완적인 분류 성능을 가지도록 학습된다. 지휘자 모델은 분류 대상이 표적 모델의 취약 분류대상에 속하는지를 사전에 분류하여 분류대상을 표적 모델과 보완 모델 중에 어떤 모델을 사용하여 분류 할 것인지를 결정한다. 논문의 끝에서는 실험적 결과를 통하여 제안하는 조화 앙상블 기법을 통해 평균 분류성능의 대한 손실 없이 분류 대상 별 성능 편차문제를 효과적으로 완화시킬 수 있음을 확인한다.
MADE (Minhash-Assisted Delta Compression Engine) : 델타 압축 기반의 낸드 플래시 저장장치 내구성 향상 기법
본 연구에서는 쓰기 데이터양 감소를 통해 낸드 플래시 기반 저장장치의 수명향상을 도모할 수 있는 MADE(Min-hash Assisted Delta-compression Engine) 모듈을 제안한다. MADE 모듈은 델타압축기법(delta compression)을 통해 중복되는 데이터 패턴을 최소화하여 실제 낸드 플래시에 인가되는 쓰기 명령 횟수를 획기적으로 줄일 수 있을 뿐만 아니라, 중복제거기법(deduplication) 및 무손실압축기법(lossless compression)의 통합적용과 유사한 효과를 볼 수 있도록 설계되었다. 또한 델타압축기법 과정 중 필요한 참조 페이지 탐색 및 압축 기법을 최적화하여, 저장되는 데이터양을 최대한 줄이는 동시에 부가적인 오버헤드를 최소화 하였다. 시뮬레이션 결과, MADE가 적용된 플래시 변환계층(Flash Transition Layer, FTL)은 실제 낸드 플래시 칩에 저장되는 데이터를 최소 50% 줄일 수 있었으며, 순차적인 중복제거기법과 무손실압축기법을 단순 통합하여 적용한 경우에 비해 추가적으로 12%의 쓰기 데이터양을 감소시킬 수 있었다.
