디지털 라이브러리[ 검색결과 ]
학습 데이터 선별을 위한 오토인코더 기반 학습 개선도 측정 방안
http://doi.org/10.5626/JOK.2021.48.2.195
머신러닝 알고리즘은 최근의 우수한 성능에도 불구하고 개발과 사용을 어렵게 하는 단점이 있다. 이는 머신러닝 알고리즘의 최적 모델 개발과 배포까지의 반복적인 과정이 높은 시간 비용을 요구하기 때문이다. 이에 본 논문에서는 이러한 시간 부하를 줄이기 위한 방안으로, 전체 학습 데이터셋 중 일부 데이터를 선별하여 빠르게 학습하면서도 근사 솔루션을 제공할 수 있는 방법에 관하여 논한다. 먼저 학습데이터는 오토인코더에 기반하여 저차원 잠재공간의 특징 벡터로 맵핑된다. 그리고 맵핑된 각 샘플의 위치를 기반으로, 상대적으로 학습하기는 어렵지만 학습 개선도가 높은 샘플은 높은 가중치를 부여받는다. 최종적으로 가중치를 기반으로 한 중요도 샘플링을 수행하여 데이터를 선별하고 이를 학습에 활용한다. 실험결과, 제안하는 방법이 무작위 샘플링에 비해 더 높은 학습 성과를 달성하는 샘플을 선정할 수 있음을 보일 수 있었다.
LSTRf 기반의 학습 데이터 선정 방안
http://doi.org/10.5626/JOK.2020.47.12.1192
본 연구는 자동적이고 지능적인 AI 개발에 요구되는 human-in-the-loop (HITL) 과정의 단축을 위한 것으로, 학습에 긍정적 영향을 미치는 데이터 선정 방법을 다룬다. 이를 위해 학습 데이터의 유사성을 중심으로 2차원 분포를 형성하고, 일정한 비율로 격자를 형성한다. 각 격자 내에서 동일한 클래스 데이터의 분포 일관성을 기준으로 데이터를 선정하기 위하여 LSTRf 기법을 응용하여 적용한다. 이를 통해 선정된 데이터는 CNN 기반의 분류기를 통해 학습하고 그 성능을 평가한다. CIFAR-10을 활용하여 실험하였으며, 격자의 크기, 1회 연산에서의 선택되는 데이터 수를 다양화하여 학습에 미치는 효과를 평가하였다. 선정된 학습 데이터는 임의로 선정한 동일한 크기의 데이터와 비교하였다. 그 결과 격자의 크기가 작을수록(0.008과 0.005 크기) 학습에 긍정적으로 영향을 미치는 것을 확인하였고, 1회 연산에서 선정된 개수가 많을수록 전체적으로 우수해짐을 확인할 수 있었다.
프리미티브와 안내 벡터필드 기반 균열맵 합성
http://doi.org/10.5626/JOK.2018.45.10.996
균열은 풍화 작용이나 충격에 의한 표면의 변화를 효과적으로 보여준다. 일반적으로 균열 렌더링은 물리 기반의 시뮬레이션을 이용하나, 그 비용이 크고 물리적이지 않은 효과를 직관적으로 얻기 어렵다. 본 논문은 프리미티브와 안내 벡터필드 기반의 균열맵 합성 기법을 제안한다. 다양한 균열 패턴은 미리 높이맵 프리미티브로 정의되며, Perlin 노이즈를 이용하여 생성된 안내 벡터필드를 따라 그 배치가 결정된다. 결과 균열맵은 프리미티브들을 합성한 높이맵으로 정의되며, 다수의 프리미티브가 정의되는 경우는 최소 높이값을 이용한다. 이러한 프리미티브 기반의 접근 방식은 물리 기반 렌더링과 달리 사용자가 원하는 대로 보다 직관적으로 다양한 균열 효과를 얻을 수 있도록 한다.
룩업테이블 기반 실시간 비선형 렌즈플레어 렌더링 방법
컴퓨터그래픽스에서 고품질의 렌즈 플레어 생성은 대부분 오프라인 렌더링을 사용해왔다. 최근, 행렬 기반의 근사를 사용하여 실시간 응용에 적합한 고품질의 렌즈 플레어 생성이 가능해졌지만, 렌즈플레어의 선형 패턴만 지원하므로 그 품질이 저하되었다. 이에 본 연구는 비선형 렌즈 플레어 패턴을 선형 패턴의 렌즈 플레어 렌더링에 블렌딩하여 선형/비선형 패턴을 모두 포함하는 고품질의 렌즈 플레어 렌더링 방법을 소개한다. 비선형패턴은 오프라인에서 미리 렌더링하거나 사진을 찍어 룩업테이블에 저장하고, 온라인 렌더링에서는 광원의 각도에 따라 읽어오기만 하므로, 기존의 방법보다 고품질을 가지면서도 성능저하가 거의 없는 고성능 렌더링이 가능하다.
