많은 데이터를 확보한 분야에서 머신러닝 모델을 잘 학습시키는 것은 용이하다. 하지만 데이터가 부족한 분야에서 모델을 잘 학습시키는 문제를 해결하기는 쉽지 않다. 이러한 문제를 해결하기 위해 최근 전이학습을 통한 지식 증류가 주목받고 있다. 지식 증류는 앙상블 기법을 통해 학습된 다량의 큰 네트워크로부터 작은 하나의 네트워크에 지식을 전달하는 방법론을 의미한다. 본 논문에서는 DA-FSL모델에 지식 증류 기법을 적용하여 학습 정확도뿐만 아니라 학습에 소요되는 시간을 개선하는 방법을 제안한다. 세 가지의 지식 증류 방법을 사용해서 DA-FSL 모델에 적용하고 실험을 통해 초기 목표 학습 정확도에 수렴하는 곡선을 평가하였다. 제안된 방법을 통해 지식 증류를 적용한 DA-FSL 모델의 학습 소요 시간과 지식 증류를 적용하지 않은 DA-FSL 모델의 학습에 소요되는 시간을 비교한 결과 최소 3%에서 최대 35%까지 감소되었음을 실험을 통해 확인하였다.
30 June 2019 in The Journal of Korean Institute of Information Technology
최근 제조 공정을 개선하려는 기업들은 스마트 팩토리를 도입, 이에 따른 도약이 특별히 눈에 띈다. 이는 최소한의 수동 제어를 통해 완벽하게 생산시설의 프로세스를 수행하는 스마트 팩토리의 영역을 최대화하고 추론의 오차를 최소화 하는 것이 최종 목적이다. 본 연구는 무인 생산, 관리, 포장, 배송 관리를 위한 프로젝트의 일부로써 무인생산의 자동화 설비의 철근 추적을 통해 롤러의 자동 교정을 수행하기 위해 철근 추적 시작점 검출에 대한 연구이며, 시작지점부터 끝점까지의 위치를 정확히 추적해야 하는 요구사항을 만족해야 한다. 추적성능을 높이기 위해서는 시작점 설정이 주요한데 기존의 시간 기반 검출방법을 통해서는 조도, 분진 등 환경에 따라 추적오류의 발생 확률이 높다. 본 논문에서는 환경에 따른 오차를 줄이기 위해 고속 IR카메라의 평균 밝기 변화를 이용한 시작점 검출 방법을 제안하며, 제안 사항을 통해 15%이상의 성능 향상을 확인하였다.
30 April 2020 in The Journal of Korean Institute of Information Technology
현재 건물 내부의 화재를 검출하기 위해 보편적인 센서 장치를 이용한 방법이 주류를 이루고 있으나 잦은 오류로 인해 건물 내부에 설치된 CCTV와 연동하여 화재를 검출하는 방법이 추가로 제시되고 있다. 기존의 색공간 필터링에 기반한 검출 방법은 정적인 공간 내에서 화재와 유사한 객체를 모두 검출하는 문제점이 존재한다. 화재의 일반적인 특성은 화재 영역에 해당하는 화염과 불꽃이 항상 이동한다는 점이다. 이와 같은 특성에 기반하여 본 논문에서는 배경 분리 기법을 통해 배경과 전경을 분리하고 전경에서만 화재 검출 영역을 지정한다. 또한, 조도 변화에 따라 변화되는 밝기 분포에 비례한 화재 색 영역의 임계값을 가변적으로 지정하는 방법을 통해 실시간 화재 검출을 개선하는 방법을 제안한다. 제안하는 방법을 통해 전체 영역에 대해 색공간 지정방법에 비해 화재 오검출 정확도가 36% 개선되고 화재 검출 속도가 15% 이상 성능 향상됨을 확인하였다.
13 August 2021 in Multimedia Tools and Applications