기계학습을 위한 색 추적 기반 데이터셋 구축 자동화 기법
Automated Data Set Generation Scheme based on Color-tracking for Machine Learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
기계학습을 통한 문제 해결을 위한 단계에서 가장 중요한 부분 중의 하나가 데이터셋을 구축하는 것이다. 기존의 데이터셋 구축 방법은 트레이닝 과정에서 소량의 이미지에 변화를 주어 데이터를 부풀리는 명령어를 사용하는 것과 ‘google 이미지 검색’에서 이미지 크롤링을 사용하는 것이 대부분이다. 하지만 이러한 방법들은 데이터로서 이미지의 신뢰성이 보장되어 있지 않는 경우가 자주 발생한다. 기계학습 중 딥러닝 트레이닝을 위해서는 신뢰성이 보장된 데이터셋이 구축되어야 한다. 이에 따라 본 연구에서는 신뢰성을 보장받을 수 있는 데이터셋을 구축하기 위한 도구를 설계 및 구현한다. 적은 노력으로 큰 데이터셋을 구축할 수 있는 방안을 고려하고, 그 방안을 통해 구축된 데이터셋의 신뢰성을 테스트한다. 신뢰성을 보증하기 위한 예시로 꽃 이미지 데이터셋을 구축하여 ‘이미지 검색 꽃 사전’에 적용한다. 적용 결과로, 사용자는 딥러닝 트레이닝 과정에서 필요한 데이터셋을 보다 쉽고 경제적으로 구축할 수 있고, 구축된 데이터셋을 통한 트레이닝에서의 신뢰성과 효율성이 있음을 보인다. 또한 본 연구의 아이디어를 기본으로 활용한다면, 데이터셋을 구축하고자 하는 대상의 특성이 변하더라도 대량의 이미지 데이터셋을 생산할 수 있을 것이다.
Abstract
One of the most important steps for solving problems through machine learning is to build a data set. Most previous methods of the data set generation are using commands to inflate data by changing small amounts of images during training, and image crawling in Google Image Search. However, these methods often do not guarantee the reliability of the image as data. For deep-learning training among methods of machine learning, a reliable data set must be established. Accordingly, in this study, a novel tool is designed and implemented to build a data set that can ensure reliability. We propose ways to build large data sets with little effort, and test the reliability of data sets built through them. As an example to ensure reliability, a set of flower image data is established and applied to ‘image search flower dictionary’. As a result, users can more easily and cost-effectively build the data sets needed in the deep-learning training process, and ensure reliability and efficiency in training through the generated data set. In addition, the underlying use of the ideas proposed in this study will enable the production of large sets of image data, even if the characteristics of the target to build the data set will be changed.
참고문헌 (16)
- 최정열, "기계학습 활용을 위한 학습 데이터세트 구축 표준화 방안에 관한 연구", 디지털융복합연구, 16(10), pp.205~212 (2018), 한국디지털정책학회[DOI]
- "Google’s Policies on Copyright and Web Search" (2008)[URL]
- Mei-Yan Jin, "(An)automatic flower boundary extraction and flower recognition system", 석사, 전자전기컴퓨터공학, pp.2011
- Hyo-Haeng Lee, "Flower Retrieval Service Platform based on Multi-layer Image Recognition Technique in the Mobile Environment", 박사, 전자전기컴퓨터공학과, pp.2015
- 조현준, "Mask R-CNN을 이용한 물체인식 및 개체분할의 학습 데이터셋 자동 생성", 로봇학회 논문지, 14(1), pp.31~39 (2019), 한국로봇학회[DOI]
- Weizhe Hong, "Automated measurement of mouse social behaviors using depth sensing, video tracking, and machine learning", Proceedings of the National Academy of Sciences(PNAS) (2015)
- 김강철, "Flower Recognition System Using OpenCV on Android Platform", 한국정보통신학회논문지, 21(1), pp.123~129 (2017), 한국정보통신학회[DOI]
- Hossam M. Zawbaa, "An automatic flower classification approach using machine learning algorithms", Proceedings of 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI) (2014)
- 김동건, "딥 러닝과 HSV 를 활용한 신호등 검출 및 신호 분류 방법", 석사, pp.2018
- 전길우, "HSI 컬러모델과 번호판의 구조적 특징을 활용한 다수 차량의 번호판영역 추출", 한국차세대컴퓨팅학회 논문지, 8(2), pp.37~46 (2012), 한국차세대컴퓨팅학회[DOI]
- Avishikta Lodh, "Flower recognition system based on color and GIST features", 2017 Devices for Integrated Circuit (DevIC) (2017)
- 박현철, "CNN에 기반한 실제 환경에서의 색상 및 문자 인식", 한국차세대컴퓨팅학회 논문지, 12(6), pp.104~115 (2016), 한국차세대컴퓨팅학회
- 조지훈, "CUDA 기반의 병렬 CAMshift 알고리즘을 이용한 객체추적 시스템", 한국지식정보기술학회 논문지, 8(2), pp.17~24 (2013), 한국지식정보기술학회
- Sang Wook Lee, "Background subtraction using spatio-temporal information for moving object detection", Department of Electrical and Electronic Engineering, pp.2015
- 배창석, "적응적 파라미터 제어를 이용하는 스웜 기반의 강인한 객체 추적 알고리즘", 한국차세대컴퓨팅학회 논문지, 13(5), pp.39~50 (2017), 한국차세대컴퓨팅학회