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

목차 1

선별적인 임계값 선택을 이용한 준지도 학습의 SAR 분류 기술 ＝ Semi-supervised SAR image classification via adaptive threshold selection / 도재준 ; 유민정 ; 이재석 ; 문효이 ; 김선옥 1

Abstract 1

1. 서론 1

2. 관련 연구 2

2.1. 준지도 학습법 2

2.2. 데이터 증강 방법 3

3. FixMatch기반 클래스 별 임계값 설정 학습 모델 3

3.1. FixMatch 프레임워크 3

3.2. Data augmentation with speckle noise 5

3.3. 클래스 별 임계값 6

4. 실험 및 결과 7

4.1. 실험 환경 및 데이터셋 7

4.2. Backbone 모델 구조 7

4.3. 실험 결과 7

5. 결론 8

References 9

권호기사

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 목차
전자파/적외선 다중파장 흡수체의 설계와 초고주파 특성에 관한 연구 = A study on design and microwave characteristics of a RF/IR multispectral absorber 윤민아, 전수완, 라영은, 조예린, 최원우, 이유경, 김광섭, 이종학, 김기출, 최태인, 이학주 p. 311-318

보기
선별적인 임계값 선택을 이용한 준지도 학습의 SAR 분류 기술 = Semi-supervised SAR image classification via adaptive threshold selection 도재준, 유민정, 이재석, 문효이, 김선옥 p. 319-328

보기
위성-지상간 광통신용 지상단말기의 위성 지향을 위한 PAA 도출 및 제어 알고리즘 = Point ahead angle(PAA) estimation and a control algorithm for satellite-pointing of the ground terminal in satellite-to-ground optical communication 윤태현 p. 329-337

보기
드론 기반 자기 이상 탐지를 이용한 해양에서의 강자성 표적 탐지 = Ferromagnetic target detection in the ocean using drone-based magnetic anomaly detection 임신혁, 김동규, 윤지훈, 방은석, 오석민, 김보나, 심규민, 이상경 p. 338-345

보기
가지치기 기반 경량 딥러닝 모델을 활용한 해상객체 이미지 분류에 관한 연구 = A study on maritime object image classification using a pruning-based lightweight deep-learning model 한영훈, 이춘주, 강재구 p. 346-354

보기
탄도 및 지형 특성을 고려한 포병 표적지 크기 결정 방안 연구 = Research on artillery target size determination method considering ballistic and terrain characteristics 김주희, 성기은 p. 355-363

보기
무기체계 시험업무에 대한 리스크 관리 표준 프로세스 연구 = A study on standard process of risk management for defense systems test works 나태흠, 허동은, 김영민, 이주연 p. 364-374

보기
자율무기체계 시험평가를 위한 실제-가상 연계 포인트 클라우드 증강 기법 = Real-virtual point cloud augmentation method for test and evaluation of autonomous weapon systems 여세동, 황규환, 태현성 p. 375-386

보기
한국형 전투기(KF-X) AESA 레이다 개발 검증을 위한 점진적인 시험평가 전략 = Progressive test and evaluation strategy for verification of KF-X AESA radar development 조신영, 곽용길, 오현석, 주혜선, 박홍우 p. 387-394

보기
토픽모델링을 이용한 무인지상차량(UGV) 특허 동향 분석 = Patent trend analysis of unmanned ground vehicles(UGV) using topic modeling 김기환, 전차수, 송지훈, 전정환 p. 395-405

보기
다중 머신러닝 기법을 활용한 무기체계 수리부속 수요예측 정확도 개선에 관한 실증연구 = An empirical study on improving the accuracy of demand forecasting based on multi-machine learning 김명화, 이연준, 박상우, 김건우, 김태희 p. 406-415

보기
기포발생식 항적기만기를 고려한 수상함 어뢰방어체계 시뮬레이터 개발 = A simulator development of surface warship torpedo defense system considering bubble-generating wake decoy 김우식, 신명인, 박지성, 배호석 p. 416-427

보기
RDX 입도에 따른 다기추진제의 연소 및 강내탄도 특성 = Characteristic property of combustion and internal ballistics of triple-based propellant according to particle size of RDX 손수정, 이원민, 이우진, 김대건 p. 428-435

보기

참고문헌 (28건) : 자료제공( 네이버학술정보 )

참고문헌 목록에 대한 테이블로 번호, 참고문헌, 국회도서관 소장유무로 구성되어 있습니다.
번호 참고문헌 국회도서관 소장유무
1 F, Pierre, et al., “Sharpness-aware minimization for efficiently improving generalization,” arXiv preprint arXiv:2010.01412, 2020. 미소장
2 M, Wortsman, et al., “Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time,”International Conference on Machine Learning, PMLR, 2022. 미소장
3 H, M. Kabir, “Reduction of Class Activation Uncertainty with Background Information,” arXiv preprint arXiv:2305.03238, 2023. 미소장
4 Z, Yang, et al., “SAR image classification method based on improved capsule network,” Journal of Physics: Conference Series, Vol. 1693, No. 1, IOP Publishing, 2020. 미소장
5 S, Chen, et al., “Target classification using the deep convolutional networks for SAR images,” IEEE transactions on geoscience and remote sensing 54.8, 4806-4817, 2016. 미소장
6 H, Ren, et al., “Extended convolutional capsule network with application on SAR automatic target recognition,” Signal Processing 183 : 108021, 2021. 미소장
7 Q, Xie, et al., “Self-training with noisy student improves imagenet classification,” Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2020. 미소장
8 E, Arazo, et al., “Pseudo-labeling and confirmation bias in deep semi-supervised learning,” 2020International Joint Conference on Neural Networks (IJCNN), IEEE, 2020. 미소장
9 D, Berthelot, et al., “Mixmatch: A holistic approach to semi-supervised learning,” Advances in neural information processing systems 32, 2019. 미소장
10 D, Berthelot, et al., “Remixmatch: Semi-supervised learning with distribution alignment and augmentation anchoring,” arXiv preprint arXiv:1911.09785, 2019. 미소장
11 K, Sohn, Kihyuk, et al., “Fixmatch: Simplifying semi-supervised learning with consistency and confidence,” Advances in neural information processing systems 33 : 596-608, 2020. 미소장
12 T, Chen, et al., “A simple framework for contrastive learning of visual representations,” International conference on machine learning, PMLR, 2020. 미소장
13 R, Shams, “Semi-supervised classification for natural language processing,” arXiv preprint arXiv:1409.7612, 2014. 미소장
14 A, Anaby-Tavor, et al., “Do not have enough data? Deep learning to the rescue!,” Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 34, No. 05, 2020. 미소장
15 B, Zhang, et al., “Censer: Curriculum semi-supervised learning for speech recognition based on self supervised pre-training,” arXiv preprint arXiv:2206. 08189, 2022. 미소장
16 V, Tsouvalas, et al., “Federated self-training for semi-supervised audio recognition,” ACM Transactions on Embedded Computing Systems 21.6 : 1-26, 2022. 미소장
17 M, Sajjadi, et al., “Regularization with stochastic transformations and perturbations for deep semi supervised learning,” Advances in neural information processing systems 29, 2016. 미소장
18 X, Wang, et al., “Contrastive learning with stronger augmentations,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022. 미소장
19 E, Cubuk, et al., “Randaugment: Practical automated data augmentation with a reduced search space,”Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops, 2020. 미소장
20 ED, Cubuk, et al., “Autoaugment: Learning augmentation strategies from data,” Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2019. 미소장
21 Y, Lei, et al., “Synthetic Images Augmentation for Robust SAR Target Recognition,” 2021 The 5th International Conference on Video and Image Processing, 2021. 미소장
22 C, Hyunho, and J, Jechang, et al., “Speckle noise reduction technique for SAR images using statistical characteristics of speckle noise and discrete wavelet transform,” Remote Sensing 11.10 (2019): 1184. 미소장
23 X, Zhang, et al., “A Novel Data Augmentation Method for SAR Image Target Detection and Recognition,” 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, IEEE, 2021. 미소장
24 M, Zhang, et al., “Data augmentation method of SAR image dataset,” IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, IEEE, 2018. 미소장
25 K, Choi, et al., “Deep Cascade Network for Noise-Robust SAR Ship Detection With Label Augmentation,” in IEEE Geoscience and Remote Sensing Letters, Vol. 19, pp. 1-5, 2022, Art No. 4514005, doi: 10.1109/LGRS.2022.3205715. 미소장
26 ER, Keydel, et al., “MSTAR extended operating conditions: A tutorial,” Algorithms for Synthetic Aperture Radar Imagery III 2757, 228-242, 1996. 미소장
27 S, Zagoruykond Nikos Komodakis, “Wide residual networks,” arXiv preprint arXiv:1605.07146, 2016. 미소장
28 C, Coman, “A deep learning SAR target classification experiment on MSTAR dataset,” 2018 19th international radar symposium(IRS), IEEE, 2018. 미소장

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

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