표제지
목차
국문초록 8
ABSTRACT 10
제1장 서론 13
1.1. 연구 배경 및 목적 13
1.2. 연구 방법 및 범위 14
1.3. 논문의 구성 15
제2장 관련 연구 16
2.1. 영상 인식을 위한 감독 학습기술 16
2.1.1. K-Nearest Neighbor(KNN)분류기 17
2.1.2. SIFT를 이용한 특징점 추출 17
2.1.3. Cany Edge Detection Algorithm 19
2.1.4. 근사 값을 통한 외곽의 의도적 추출 19
2.2. 기계 학습 알고리즘 20
2.2.1. 기계학습 20
2.2.2. 결정 트리 학습법 21
2.2.3. 랜덤 포레스트 알고리즘 23
2.3. 딥러닝 알고리즘 23
2.3.1. 딥러닝의 개념 24
2.3.2. 콘볼루션 뉴럴 넷(CNN) 26
2.3.3. 활성화 함수와 기울기 소실 문제 29
제3장 콘볼루션 뉴럴 넷과 이미지 분류기의 성능 비교 31
3.1. 실험방법 31
3.1.1. 실험데이터 구성 및 파라미터 설정 31
3.1.2. 콘볼루션 뉴럴 넷(CNN)을 이용한 이미지 분류에서의 데이터 전처리기 방식에 따른 성능 비교 33
3.2. 실험 환경 35
3.3. 실험 결과 및 성능 비교 36
3.3.1. 이미지 분류 시 정확성과 손실함수 비교 36
제4장 결론 39
참고문헌 41
[표 2-1] 기계학습 방법의 기본유형 21
[표 2-2] 콘볼루션 뉴럴 넷 레이어 28
[표 3-1] 파일 구성 31
[표 3-2] Convolution layers 단계에 따른 값 변화 35
[표 3-3] 실험 환경 36
[표 3-4] 이미지 분류기 정확도 및 손실율 37
[그림 2-1] Nearest Neighbor 분류기 17
[그림 2-2] 영상 화소값의 변화량 측정 - 1차 미분과 2차미분 18
[그림 2-3] 특징점 추출 18
[그림 2-4] Cany Algotithm의 edge검색 기준 19
[그림 2-5] 근사값을 통한 외곽추출 20
[그림 2-6] 의사결정트리 구축과정 22
[그림 2-7] 의사결정 트리 분류 레벨 22
[그림 2-8] Max pooling을 이용한 Sampling 29
[그림 2-9] 활성화 함수 30
[그림 3-1] 이미지 데이터 분류기의 비교 38