디지털 라이브러리[ 검색결과 ]
GAN 기반 시점 변환을 통한 차량 영상 데이터 확장
http://doi.org/10.5626/JOK.2021.48.8.885
GAN을 이용해 다양한 각도에서 촬영된 차량 영상을 특정 각도에서 촬영된 주행 영상으로 변환하는 방법을 소개한다. 차량 영상 인식기를 학습하기 위해서는 특정한 각도에서 촬영한 다량의 차량 영상 데이터가 요구된다. 그러나, 매년 새로 출시되는 다양한 차종에 대하여 그러한 학습 데이터를 수집하는 것은 현실적으로 어렵다. 따라서, 다양한 시점에서 촬영된 차량 영상을 특정 시점에서 촬영된 영상으로 변환함으로써 차량 영상 데이터를 확장하는 방법을 제안한다. 제안하는 방법은 먼저 DRGAN을 이용해 임의의 차량 영상을 전면 상단에서 촬영한 영상으로 변환한 후 DeblurGAN으로 화질을 개선하고 SRGAN을 이용해 해상도를 개선한다. 실험을 통해 제안하는 방법이 좌우 45도 이내의 방향에서 촬영한 영상을 전면 상단 시점의 영상으로 성공적으로 변환하며, 영상의 화질 및 해상도를 개선하는데 효과적임을 보였다.
텍스트 채우기와 적대 신경망을 이용한 개체명 인식 데이터 확장
http://doi.org/10.5626/JOK.2021.48.4.462
자연 언어 처리에 딥러닝 모델이 적용되면서 딥러닝 모델을 구축하기 위해 많은 양의 데이터가 필요해졌다. 그러나 개체명 인식과 같이 레이블링된 학습 데이터 구축은 어려워 데이터 부족 문제가 발생한다. 이러한 데이터 부족 문제를 해결하기 위해 데이터 확장이 필요하다. 따라서 본 연구에서는 텍스트 채우기와 생성적 적대 신경망을 이용해 레이블링된 개체명 인식 데이터 확장모델을 제안한다. 제안한 모델은 개체명 정보를 변경하지 않고 부분 문장을 생성해 새로운 데이터를 생성할 수 있다. 제안한 모델은 다른 비교 모델들에 비해 자연스럽고 내용적 일관성이 있는 부분 문장을 생성할 수 있다. 또한 제안한 모델로 확장한 개체명 인식 데이터로 개체명 인식 모델을 학습할 경우 성능을 향상될 수 있음을 보였다.
동적 메모리 네트워크의 시간 표현과 데이터 확장을 통한 질의응답 최적화
질의응답 문제를 인공지능 모델을 통해 해결하는 연구는 메모리 네트워크의 등장으로 인해 방법론의 변화를 맞이하고 있으며, 그 중 동적 메모리 네트워크(DMN)는 인간 기억 체계에 착안하여 신경망 기반의 주의 기제를 적용하면서, 질의응답에서 일어나는 각 인지 과정들을 모듈화 했다는 특징들을 갖는다. 본 연구에서는 부족한 학습 데이터를 확장 시키고, DMN이 내포하고 있는 시간 인식의 한계를 개선해 정답률을 높이고자 한다. 실험 결과, 개선된 DMN은 1K-bAbI 문제의 테스트 데이터에서 89.21%의 정답률과, 95%를 질의응답 통과의 기준의 정답률으로 가정할 때 12개의 과제를 통과하는 성능을 보여 정확도 면에서 기존의 DMN에 비해 13.5%p 만큼 더 높고, 4개의 과제를 추가로 통과하는 성능 향상을 보여주었다. 또한 뒤이은 실험을 통해, 데이터 내에서 비슷한 의미 구조를 가지는 단어들은 벡터 공간상에서 강한 군집을 이룬다는 점과, 일화 기억 모듈 통과 횟수와 근거 사실 수의 성능에 큰 영향을 미치는 직접적인 연관성을 발견하였다.
