디지털 라이브러리[ 검색결과 ]
주파수 변환을 활용한 생성 이미지의 효과적 탐지
http://doi.org/10.5626/JOK.2025.52.4.350
현재의 디지털 환경에서는 고도로 발달한 이미지 생성 기술이 실제와 구분하기 어려운 가짜 이미지를 만들어내어 디지털 정보의 신뢰성을 위협하고 있다. 기존의 기계 학습 및 딥러닝 기법들은 이러한 진화하는 생성 알고리즘에 대해 한계를 보였으나, 본 연구는 주파수 영역에서 생성 이미지의 특성을 분석하는 새로운 접근법을 제시한다. 본 연구에서는 고속 푸리에 변환(FFT)과 이산 코사인 변환(DCT)을 각각 독립적으로 적용하여, 각 기법이 생성 이미지 탐지에 미치는 효과를 별도로 분석하였다. 실험 결과, FFT를 적용한 모델은 테스트 정확도가 약 12.8% 향상되었으며, DCT를 적용한 모델은 약 22.2%의 성능 향상을 보였다. 이러한 결과는 주파수 영역에서의 접근이 기존의 공간 영역 기반 탐지 기법보다 우수함을 입증하며, 디지털 포렌식 분야에서 이미지 신뢰성을 높이는 데 실질적인 기여를 할 것으로 기대된다.
고속 이산 코사인 변환을 이용한 새로운 경량 및 효율적인 콘볼루션 신경망
http://doi.org/10.5626/JOK.2020.47.3.276
최근 개발된 경량화된 뉴럴 네트워크는 적은 개수의 모델 가중치 개수 및 낮은 연산량으로도 어느정도 높은 정확도를 유지한다. 그럼에도 불구하고, 기존 컨볼루션 뉴럴 네트워크들은 공통적으로 Pointwise Convolution (1×1 Convolution)에서 많은 가중치 개수를 가지며, 상당한 계산량을 유발한다. 본 논문은 최초로 Pointwise Convolution을 1차원 고속 이산 코사인 변환(FDCT)으로 대체하여 획기적으로 학습 가중치 값 개수를 줄였고 연산속도를 높였다. 본 논문은 구체적으로 두가지 측면, 즉 1) Block 단위에서의 DCT 적용 및 2) CNN 모델의 계층적 위치에 따른 DCT 적용을 통해 경량화를 제안한다. 실험결과, CIFAR100 이미지분류 데이터셋에 대해서 기존 MobileNet v1 모델 대비 학습 가중치 값 개수를 79.1% 줄이고 연산량을 48.3% 줄이면서 top-1 정확도는 0.8% 상승한 결과를 보였다.
