심층 신경망의 영상 인식 분류 성능 균일성 향상을 위한 명시적 상호보완 앙상블 구조Deep Ensemble Network with Explicit Complementary Model for Accuracy-balanced Classification
- Authors
- 김도현; 김중헌
- Issue Date
- 2019
- Publisher
- 한국정보과학회
- Keywords
- 딥 러닝; 객체 분류; 성능 편차; 앙상블; deep learning; object classification; accuracy deviation; ensemble
- Citation
- 정보과학회논문지, v.46, no.10, pp 941 - 945
- Pages
- 5
- Journal Title
- 정보과학회논문지
- Volume
- 46
- Number
- 10
- Start Page
- 941
- End Page
- 945
- URI
- https://scholarworks.bwise.kr/cau/handle/2019.sw.cau/44939
- DOI
- 10.5626/JOK.2019.46.9.941
- ISSN
- 2383-630X
2383-6296
- Abstract
- 본 논문에서는 영상 인식 분류 시스템의 주요한 성능평가 고려사항 중 하나인 분류 대상 별 성능 편차문제를 완화시키기 위한 새로운 심층 신경망 기반 조화 앙상블(Harmony) 기법을 제안한다. 조화 앙상블 기법은 표적 모델(Target model), 보완 모델(Complementary model) 그리고 지휘자 모델(Conductor model)로 명명된 3가지의 하위 모듈들로 구성된다. 제안하는 기법에서의 분류 대상은 지휘자 모델에서의 결과에 따라 표적 모델 또는 보완 모델을 통해 선택적으로 처리된다. 표적 모델은 종래의 분류모델과 동일한 방식으로 학습된다. 반면에 보완 모델은 표적 모델의 취약한 분류 대상에 대하여 상호보완적인 분류 성능을 가지도록 학습된다. 지휘자 모델은 분류 대상이 표적 모델의 취약 분류대상에 속하는지를 사전에 분류하여 분류대상을 표적 모델과 보완 모델 중에 어떤 모델을 사용하여 분류 할 것인지를 결정한다. 논문의 끝에서는 실험적 결과를 통하여 제안하는 조화 앙상블 기법을 통해 평균 분류성능의 대한 손실 없이 분류 대상 별 성능 편차문제를 효과적으로 완화시킬 수 있음을 확인한다.
- Files in This Item
- There are no files associated with this item.
- Appears in
Collections - College of Software > School of Computer Science and Engineering > 1. Journal Articles
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.