텍스타일 디자인 분류 및 관심 영역 도출에 대한 연구
A study on classification of textile design and extraction of regions of interest
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
디자인에 있어서 유사한 디자인들을 그룹핑하여 분류하는 것은 관리적인 측면에서 효율성을 높여주고 사용적인 측면에서는 편의성을 제공한다. 본 연구는 인공지능 알고리즘을 이용하여 텍스타일 디자인을 도트, 꽃무늬, 줄무늬, 그리고 기하학으로 4개의 카테고리로 분류하고자 하였다. 특히, 인공지능의 관점에서 분류의 근거가 되는 관심 영역을 찾아내고 설명할 수 있는 지를 탐색하였다. 총 4,536개의 디자인을 8:2의 비율로 무작위 추출하여 학습용 데이터 3,629개와 테스트용 데이터 907개로 구성하였다. 분류에 사용된 모델은 VGG-16과 ResNet-34로 두 모델의 꽃무늬 디자인에 대한 정밀도는 각각 0.79%, 0.89%이며, 재현율은 0.95%, 0.38%로 우수한 분류 성과를 보였다. LIME(Local Interpretable Model-agnostic Explanation) 기법을 이용하여 분석한 결과에 따르면, 기하학과 꽃무늬 디자인의 경우 도형과 꽃잎 부분이 분류의 근거가 되는 관심 영역으로 도출되었다.
Abstract
Grouping and classifying similar designs in design increase efficiency in terms of management and provide convenience in terms of use. Using artificial intelligence algorithms, this study attempted to classify textile designs into four categories: dots, flower patterns, stripes, and geometry. In particular, we explored whether it is possible to find and explain the regions of interest underlying classification from the perspective of artificial intelligence. We randomly extracted a total of 4,536 designs at a ratio of 8:2, comprising 3,629 for training and 907 for testing. The models used in the classification were VGG-16 and ResNet-34, both of which showed excellent classification performance with precision on flower pattern designs of 0.79%, 0.89% and recall of 0.95% and 0.38%. Analysis using the Local Interpretable Model-agnostic Explanation (LIME) technique has shown that geometry and flower-patterned designs derived shapes and petals from the region of interest on which classification was based.
참고문헌 (14)
- 이은옥, "국내 텍스타일 디자인의 분류 유형에 관한 연구", 한국디자인문화학회지, 13(3), pp.271~280 (2007), 한국디자인문화학회
- 조배문, "텍스타일 디자인의 형식 분류 체계 구축", 한국디자인문화학회지, 25(4), pp.485~494 (2019), 한국디자인문화학회
- 김나연, "신경망을 이용한 텍스타일 영상에서의 감성인식 시스템", 정보과학회논문지 : 소프트웨어 및 응용, 34(9), pp.869~879 (2007), 한국정보과학회
- Y. LeCun, "Deeplearning", Nature, 521(7553), pp.436~444 (2015)
- G. Montavon, "Methods for interpreting and understanding deep neural networks", Digital Signal Processing, 73, pp.1~15 (2018)
- 박선, "오픈 소스 기반의 딥러닝을 이용한 적조생물 이미지 분류", 스마트미디어저널, 7(2), pp.34~39 (2018), (사)한국스마트미디어학회[DOI]
- K. Simonyan, "Very deep convolutional networks for large-scale image recognition", arXiv preprint arXiv:1409.1556, ~ (2014)
- K. He, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, 1, pp.770~778 (2016)
- M. T. Ribeiro, "Why should I trust you? Explaining the predictions of any classifier", Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pp.1135~1144 (2016)
- 정찬일, "프로세스 분석을 위한 설명 가능한 인공지능 기법 비교 연구", 전자공학회논문지, 57(8), pp.51~59 (2020), 대한전자공학회
- 류권상, "딥러닝 기반 얼굴인식 모델에 대한 변조 영역 제한 기만공격", 정보보호학회지, 29(3), pp.44~50 (2019)
- 윤주성, "Attention 과 LIME 기법을 활용한 순환신경망의 의사결정 요인 분석", 한국컴퓨터교육학회 학술발표대회논문집, 21(2), pp.253~256 (2017)
- 이병우, "딥러닝 기반 이미지 특징 추출 모델을 이용한 유사 디자인 검출에 대한 연구", 스마트미디어저널, 9(4), pp.162~169 (2020), (사)한국스마트미디어학회[DOI]
- 서다솜, "딥러닝 설명을 위한 슈퍼픽셀 제외-포함 다중스케일 접근법", 스마트미디어저널, 8(2), pp.39~45 (2019), (사)한국스마트미디어학회[DOI]