본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지 1

요약 4

목차 6

Ⅰ. 서론 9

Ⅱ. 관련 연구 14

1. 특징 추출에 사용되는 DCNN 모델 14

1) VGGNet 14

2) ResNet 15

3) GoogLeNet 16

4) YOLO v4: Optimal Speed and Accuracy of Object Detection 17

5) Mask R-CNN 18

2. 이미지 특징 추출 방법 20

1) SIFT 20

2) Search by Detection : Object-Level Feature for Image Retrieval 21

3) Content based Image Retrieval Method that Combining CNN based Image Features and Object Recognition Information 22

4) Visual Instance Retrieval with Deep Convolutional Networks 23

5) Deep Visual-Semantic Quantization for Efficient Image Retrieval 23

3. 유사도 측정 방법 24

1) RBF(Radial basis function) 24

2) Jaccard 24

Ⅲ. 제안하는 이미지 특징과 객체 관계를 고려한 내용 기반 검색 기법 25

1. 시스템 구조 25

2. 특징 추출 방법 26

1) 이미지 전체 특징 추출 방법 26

2) 객체 목록 추출 방법 27

3) 객체 관계 특징 추출 방법 28

4) 추출된 세 가지 특징 결합 방법 29

3. 추출된 특징의 유사도 측정 방법 31

Ⅳ. 성능평가 33

1. 실험 방법 34

2. 실험 결과 34

Ⅴ. 결론 43

참고문헌 44

Abstract 47

표목차 7

〈표 4-1〉 실험 환경 33

〈표 4-2〉 기존 방법과 제안하는 방법 기반 질의 성능 비교 35

그림목차 8

〈그림 1-1〉 이미지 전체 특징과 객체 목록을 이용한 질의 12

〈그림 2-1〉 VGG 16의 구조 14

〈그림 2-2〉 ResNet의 잔차 블록의 구조 15

〈그림 2-3〉 인셉션 모듈의 구조 16

〈그림 2-5〉 인스턴스 세그먼테이션 작업 수행 결과물 예시 18

〈그림 2-6〉 MaskRCNN의 전체 구조 19

〈그림 2-7〉 DOG 이미지 생성 과정 20

〈그림 2-8〉 X의 극대점과 극소점 판단 예 21

〈그림 2-9〉 이미지 전체 특징과 객체 목록을 결합 22

〈그림 2-10〉 Jaccard 기반 유사도 측정 방법 24

〈그림 3-1〉 제안하는 내용 기반 이미지 검색 방법의 전체 구조 25

〈그림 3-2〉 YOLO v4의 모델 전체 구조 27

〈그림 3-3〉 객체 관계 특징 추출 과정 29

〈그림 3-4〉 추출된 세 가지 특징 결합 방법 30

〈그림 3-5〉 이미지의 특징 간 유사도 측정 방법 31

〈그림 4-1〉 질의 이미지 집합 및 질의 내용 36

〈그림 4-2〉 1번 질의 이미지의 검색 결과 37

〈그림 4-3〉 2번 질의 이미지의 검색 결과 38

〈그림 4-4〉 3번 질의 이미지의 검색 결과 39

〈그림 4-5〉 4번 질의 이미지의 검색 결과 40

초록보기

 내용 기반 이미지 검색(Contents based Image Retrieval, CBIR)은 이미지 데이터베이스에서 질의 이미지와 가장 유사한 이미지 K개를 검색하는 기술이다. 질의 이미지와 데이터베이스의 이미지를 비교하기 위해서는 이미지로부터 이미지의 특징을 잘 표현하는 특징 벡터(Feature Vector)를 추출하여야 한다.

조사한 바에 따르면 CBIR 기술에 대한 연구는 약 30여년 전부터 시작되었다. 연구 초기에는 수작업을 이용한 이미지 특징 추출 방법들이 주를 이루었으나 약 10년 전부터 DNN (Deep Neural Network) 기술이 널리 사용되면서 DCNN (Deep Convolution Neural Network) 기술을 이용한 특징 벡터 추출 기술에 대한 연구가 주로 수행되고 있다. 기존 특징 벡터 추출 방법들의 문제점은 이미지에 포함된 객체들의 클래스와 객체들 간의 위치 관계를 잘 반영하지 못한다는 것이다.

이 논문에서는 이미지 전체 특징(Global Feature), 이미지의 객체 목록(Object List), 객체 관계 특징(Object Relation Feature)를 각각 추출하고 이 특징들을 결합하는 새로운 특징 추줄 방법을 제안한다. 제안하는 특징 추출 방법은 이미지 전체 특징은 물론, 이미지 내의 객체 및 객체 간의 관계를 모두 고려하여 보다 정확한 CBIR이 가능하게 한다. 특히, 객체 관계 특징 추출을 위해 객체 이미지라는 새로운 개념을 제안한다. 마지막으로, 이 논문에서는 10만개의 MS COCO 데이터 집합을 이용해서 기존 방법과 제안하는 방법을 비교하는 실험을 수행한다. 실험 결과 제안하는 방법이 기존 방법에 비해 약 평균 6.3% 성능 향상이 있음을 보인다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차