표제지
목차
국문요약 8
1. 서론 10
1.1. 연구 목적 10
2. 관련연구 12
2.1. 임계치 기반의 방법 12
2.2. 심층학습 기반의 방법 15
3. 연구방법 25
3.1. 실험 환경 25
3.2. 데이터 전처리 및 증강기법 26
3.3. Mobile Vision Transformer 기반의 피부 영역 분할 모델 28
4. 실험 결과 37
4.1. ECU 데이터셋과 Pratheepan 데이터셋에 대한 성능 37
4.2. Xu의 논문의 방법으로 변형한 이미지에 대한 성능 40
4.3. 흑백 이미지에 대한 성능 42
5. 고찰 44
6. 결론 47
참고문헌 48
ABSTRACT 54
〈표 1〉 Kolkur의 방법의 실험 결과 14
〈표 2〉 Kim의 모델의 성능 19
〈표 3〉 Tarasiewicz의 모델 성능 21
〈표 4〉 Salah의 모델의 성능 23
〈표 5〉 Skinny와 Salah의 모델의 파라미터 수와 MACs 24
〈표 6〉 MobileViT을 encoder로 활용하는 SINet의 연산량 33
〈표 7〉 모델의 자세한 구조 35
〈표 8〉 제안하는 모델의 성능 37
〈표 9〉 Xu의 논문의 방법으로 변형한 이미지에 대한 실험 결과 40
〈표 10〉 흑백 이미지에 대한 실험 결과 42
〈표 11〉 모델의 연산량 대비 성능 45
[그림 1] Kolkur의 방법의 결과 이미지 예시 (a) 잘된 예 (b) 인종에 따른 피부색의 차이로 인해 잘되지 않은 예 (c) 조명 조건에 의해 잘되지 않은 예 15
[그림 2] NiN 구조 16
[그림 3] Kim이 제안한 image based training 과정의 요약 17
[그림 4] Kim이 제안한 patch based training 과정의 요약 18
[그림 5] Tarasiewicz의 모델에 사용된 Inception module 20
[그림 6] Tarasiewicz의 모델에 사용된 Dense block 20
[그림 7] Salah가 제안한 모델의 구조 22
[그림 8] Salah가 제안한 방법의 전체적인 과정 23
[그림 9] Pratheepan 데이터셋의 이미지 예시 (a) 간단한 배경의 얼굴 사진 (b) 다양한 사람의 얼굴 사진 25
[그림 10] ECU 데이터셋의 이미지 예시 (a) 실내 조명 (b) 실외 조명 (c) 다양한 피부색 26
[그림 11] Xu의 논문의 데이터 증강 기법 예시 (a) 이미지의 hue를 60도씩 회전시키며 얻은 이미지 (b) 이미지의 saturation에... 28
[그림 12] 제안하는 모델의 전체적인 구조, 모델의 기본적인 구조는 SINet을 따르며 encoder 부분을 MobileViT로 변경한 구조 31
[그림 13] ECU 데이터셋에 대한 실험 결과 이미지 예시(red: FP, blue: FN) 38
[그림 14] Pratheepan 데이터셋에 대한 실험 결과 이미지 예시 39
[그림 15] 변형을 가한 이미지에 대한 실험 결과 이미지 왼쪽부터 hue, saturation, value를 변형에 대한 이미지 예시(red: FP, blue: FN) 41
[그림 16] 흑백 이미지에 대한 실험 결과 이미지 예시(red: FP, blue: FN) 43
[그림 17] 모델의 Pratheepan 데이터셋에 대한 F-score와 MACs 44