딥러닝 基盤의 諺簡 資料 文字 判讀機 具現에 對한 硏究 –<秋史 諺簡>을 對象으로–
Character Decipherer for Korean Letters Based on Deep-Learning: Chusa’s Korean Letters
1
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 연구의 목적은 딥러닝(Deep-learning) 기술을 이용해 諺簡 資料에 대한 문자 判讀機를 구현해 보는 것에 있다. 구체적으로는 컴퓨터에게 ‘字體’의 특징을 학습시키는 방식을 이용하였다. 다만, 모든 자료에 대해 적용하기에는 시간과 인력의 제약이 있으므로, <秋史 諺簡> 일부만을 데이터베이스화하여 실현 가능성과 효용을 입증해 보았다. 判讀機 구현을 위해 딥러닝에서 이미지 인식에 주로 사용되는 Convolutional Neural Network(CNN) 기술을 이용하였으며, 부족한 데이터를 충당하기 위해 몇 가지 데이터 생성과 증강 기법을 이용하였다. 만들어진 모델은 test 데이터에 대해 top1-88.72%, top5-97.63%의 인식률을 보였다. 이를 토대로 개별 문자 이미지를 입력하면 가장 높은 확률을 보이는 값을 출력해 주는 判讀機를 구현하였다. 이렇게 만들어진 判讀機의 활용 방법을 예시하고 효용을 검증하기 위해 <秋史 諺簡> 11에 적용해 보았다. 이 과정에서 해당 문자가 무엇인지 적절하게 맞추는 모습을 볼 수 있었으며, 이외에 가능한 판독안의 목록도 제시해 주는 모습을 볼 수 있었다. 본 判讀機는 字體를 고려해 명시적인 확률값을 계산해 줄 수 있기 때문에 판독에 있어 객관적인 증거로 활용될 수 있을 것으로 보인다.
Abstract
This paper aims to implement a character decipherer for Korean letters, using deep learning technology. Specifically, a method was used which teaches the characteristics of the ‘shape of letters’ to computers. However, because data is limited by time constraints and human ability, only a part of Chusa’s Korean letters was converted into a database, to prove its feasibility and utility. The study utilized convolutional neural networks (CNN) techniques, which are mainly used for image recognition in deep learning. Several data generation and augmentation techniques were also used to compensate for insufficient data. The produced model showed the correct answer rate of the top 1-88.72%, in addition to the top 5-97.63% for the test data. Based on this model, a character decipherer analyzes individual character images. It then calculates possible characters and outputs the value showing the highest probability. In order to illustrate this method and verify its utility, we applied the decipherer to Chusa’s Korean letter 11. Basic performance was confirmed by applying it to areas where there was no disagreement during the decipherment. Furthermore, the decipherer was able to identify small differences and present possible alternatives. We also confirmed that, when we applied the method to areas of decipherment disagreement, it presented a significant basis for judgment. Because the decipherer is able to calculate the probability value by considering the character itself, this method can likely be used as objective evidence.
참고문헌 (20)
- 김경순, "추사 김정희의 한글편지 연구", 박사, 국어국문학과 고전문학전공, pp.2013
- 김일근, "諺簡의 연구" (1991), 건국대학교출판부
- 김일근, "秋史 한글편지" (2004), 예술의전당 서울서예박물관
- 박병천, "추사가의 諺簡서체 형성과 조형성 비교 고찰", 秋史한글편지展 세미나논문집, pp.25~48 (2004)
- 박현철, "CNN에 기반한 실제 환경에서의 색상 및 문자 인식", 한국차세대컴퓨팅학회 논문지, 12(6), pp.104~115 (2016), 한국차세대컴퓨팅학회
- 배영환, "언간 연구의 국어사적 성과와 전망", 한말연구, (53), pp.61~96 (2019), 한말연구학회[DOI]
- 손화정, "문자인식 분야의 기계 학습 기법", 정보과학회지, 25(3), pp.12~20 (2007), 한국정보과학회
- 디지털 라키비움 구축을 위한 기계 학습 기반 전통기록물 해독 최종보고서, "이민호", 한국연구재단, ~ (2020)
- 이채현, "딥러닝 기반 벵골어 수기 문자 인식:Kaggle Bengali.AI 대회를 중심으로", 전자공학회논문지, 57(9), pp.67~76 (2020), 대한전자공학회
- 이현희, "19세기 국어의 문법사적 고찰", 한국문화, (15), pp.57~81 (1994), 규장각한국학연구원
- 황문환, "조선시대 언간 자료의 현황과 특성", 국어사연구, (10), pp.73~131 (2010), 국어사학회
- 황문환, "조선시대의 한글 편지 諺簡" (2015), 역락
- 황문환, "조선시대 한글편지 판독자료집 3" (2013), 역락
- 황문환, "조선시대 한글편지어휘사전" (2016), 역락
- Radford, A., "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks", arXiv preprint arXiv:1511.06434, ~ (2015)
- He, K., "Deep Residual Learning for Image Recognition", Proceedings of the IEEE 2016 Conference on Computer Vision and Pattern Recognition, pp.770~778 (2016)
- Krizhevsky, A., "Imagenet Classification with Deep Convolutional Neural Networks", Advances in Neural Information Processing Systems, 25, pp.1097~1105 (2012)
- LeCun, Y., "Gradient-based Learning Applied to Document Recognition", Proceedings of the IEEE, 86(11), pp.2278~2324 (1998)
- Xie, S., "Aggregated Residual Transformations for Deep Neural Networks", Proceedings of the IEEE 2017Conference on Computer Vision and Pattern Recognition, pp.1492~1500 (2016)
- Zhang, X., "Character-level Convolutional Networks for Text Classification", Advances in Neural Information Processing Systems, 28, pp.649~657 (2015)