총 95개
-
텐서플로우 딥러닝 (CNN)2025.05.051. 데이터 세트 학습 데이터에 사용할 영상은 Google에서 이미지 검색으로 꽃을 검색하고, FatKun이라는 크롬 확장 프로그램을 사용하여 영상을 다운로드 받았다. 테스트 데이터에 사용할 영상은 꽃을 직접 구입하여 촬영한 영상 데이터를 사용했다. 학습 데이터는 총 234개, 테스트 데이터는 총 150개이며, 검증 데이터는 훈련데이터의 20%를 사용하여 총 57개이다. 2. 합성곱 신경망 (CNN) 기본적으로 이미지 분류를 하기 위해서는 합성 곱 신경망(CNN)이 필요하다. 2차원 CNN의 특징 추출 부분은 MaxPool2D층과 ...2025.05.05
-
딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리2025.01.141. 딥러닝 기반 EEG 분석 딥러닝 기법들은 동작상상, 감정인식 등 EEG 데이터 분류 작업에서 우수한 성능을 보인다. 딥러닝 알고리즘은 EEG 데이터 수집과 전처리, 딥러닝 모형 학습, 신호 분류 및 해석의 과정으로 구성된다. 전처리 과정에서는 입력받은 뇌파 신호를 분류하기 쉬운 형태로 바꿔주어 분류의 정확도를 높여야 한다. 2. EEG분석을 위한 딥러닝 기법 EEG 분석을 위한 딥러닝 기법에는 CNN, RNN, GAN, Autoencoder 등이 있다. 입력되는 데이터의 특징에 따라 CNN보다 RNN이 자극에 의한 변화를 인식...2025.01.14
-
R-CNN 영상 이미지 인식을 이용한 차량간 거리 추정2025.05.091. R-CNN 딥러닝 기법 R-CNN은 object detection 분야에서 널리 사용되는 기법으로, 이미지 내 물체를 인식하고 분류하는 과정을 거치는 방식이다. R-CNN, Fast R-CNN, Faster R-CNN 등이 대표적인 R-CNN 기법이다. R-CNN은 region proposal, CNN 입력, SVM 분류, 바운딩 박스 보정 등의 단계를 거치며, Fast R-CNN과 Faster R-CNN은 이러한 단계를 개선하여 성능을 향상시켰다. 2. 차량 간 거리 추정 본 과제에서는 R-CNN을 이용하여 영상 이미지에서 ...2025.05.09
-
CNN을 활용한 안저 이미지 기반 안과 질환 스크리닝 및 렌즈 처방 연구2025.12.211. 합성곱 신경망(CNN)의 의료 영상 분석 응용 CNN은 이미지 데이터 처리에 특화된 딥러닝 아키텍처로, 합성곱층, 풀링층, 완전연결층으로 구성됩니다. 필터를 사용하여 입력 이미지의 지역적 특징을 추출하고 특징맵을 생성하며, 비선형 활성화 함수를 거쳐 계층적으로 학습합니다. ResNet 아키텍처는 잔차연결을 통해 깊은 신경망에서의 기울기 소실 문제를 해결하여 안저 이미지의 미세한 질환 징후 포착에 효과적입니다. 2. 초기 안과 질환의 특징 및 안저 이미지 진단 당뇨병성 망막증은 망막 혈관 손상으로 미세동맥류, 망막 출혈, 경성 ...2025.12.21
-
CNN을 이용한 이미지 분류-일반 농산물과 GMO의 구분2025.01.281. GMO 농산물 구분 연구에서는 CNN(Convolutional Neural Network)을 이용하여 일반 농산물과 GMO 농산물을 구분하는 방법을 제안하고 있습니다. 연구자는 샤인머스캣 잎과 포도 잎의 이미지를 수집하여 CNN 모델을 학습시켰고, 이를 통해 약 68%의 정확도로 GMO와 일반 농산물을 구분할 수 있었습니다. 이를 통해 소비자들이 GMO 식품 여부를 쉽게 확인할 수 있도록 하고자 하였습니다. 2. 딥러닝을 이용한 이미지 분류 연구에서는 딥러닝 기술 중 하나인 CNN을 활용하여 이미지 분류 문제를 해결하고자 하였...2025.01.28
-
R-CNN 영상 이미지 인식을 이용한 차량간 거리 추정 및 충돌방지2025.05.091. 객체 인식 (Object detection) 이미지에서 객체를 찾고 분류하는 프로세스. MATLAB 딥러닝 기법 중 'R-CNN Object Detector'를 이용하여 영상 이미지 인식 방법을 사용한다. 2. R-CNN: Regions with Convolutional Neural Networks R-CNN 프로세스는 Windows 10, MATLAB 2018b, NVIDIA CUDA Tool kit v10.0, NVIDIA GeForce GTX 750 Ti 개발환경에서 진행되었다. 3. 딥러닝 학습 과정 imageDatas...2025.05.09
-
딥러닝 기반 작물 개체 통합 시스템2025.12.131. ResNet 모델 ResNet은 Microsoft Research Institute에서 제안한 깊은 신경망으로, 152개 계층의 구조를 가지고 있습니다. 바로 가기 연결과 ID 매핑을 CNN에 추가하여 잔여 학습이라는 새로운 학습 방법을 도입했습니다. 입력과 출력을 결합하여 가중치 계층을 훈련시키는 방식으로, 단축 연결을 통해 기존 CNN과 비교하여 덧셈 계산만 추가되는 효율적인 구조입니다. 2. Faster R-CNN 모델 Faster R-CNN은 객체 검출을 위한 개선된 알고리즘으로, 기존 R-CNN의 계산 비효율성을 해결...2025.12.13
-
합성곱신경망의 이미지 인식 및 응용 사례2025.12.191. 합성곱신경망(CNN)의 기본 구조 합성곱신경망은 1980년대 후반 야닉 르쿤의 LeNet에서 기원하며, 필터를 통해 이미지의 지역적 특징을 자동으로 추출한다. 합성곱 계층은 작은 행렬인 필터를 이미지에 적용하여 가장자리 검출 등의 특징을 추출하고, 풀링 계층은 특징 맵의 차원을 줄여 연산 효율성을 높인다. 이러한 구조는 인간 시각 피질의 특성과 유사하며, 이미지의 공간적 상관관계를 효율적으로 반영한다. 2. CNN 구조의 발전 과정 CNN은 LeNet에서 시작하여 AlexNet, VGGNet, GoogLeNet, ResNet으...2025.12.19
-
합성곱 신경망의 원리와 이미지 인식 응용2025.12.191. 합성곱 신경망(CNN)의 기초 원리 합성곱 신경망은 인간의 시각 피질에서 착안한 혁신적 기술로, 작은 크기의 필터를 이미지에 슬라이딩하며 특징 맵을 생성한다. CNN의 기본 구조는 합성곱 계층, 활성화 함수(ReLU), 풀링 계층, 완전연결 계층으로 이루어져 있다. 합성곱 연산은 이미지의 지역적 패턴을 효과적으로 포착하며, 가중치 공유를 통해 학습 파라미터를 줄인다. 이는 전통적 인공신경망과 달리 이미지의 공간 구조를 고려하여 연산 효율성과 학습 안정성을 높인다. 2. CNN의 발전 과정과 대표 모델 CNN의 기원은 1980년...2025.12.19
-
인공지능의 이미지 인식과 생성 원리 및 활용2025.12.211. 합성곱 신경망(CNN) CNN은 인간의 시각 시스템을 모방하여 설계된 딥러닝 모델로, 이미지 데이터를 효율적으로 처리합니다. 합성곱 층에서 필터가 이미지를 스캔하여 에지, 코너, 텍스처 등의 특징을 추출하고, 풀링 층에서 특징 맵의 크기를 줄입니다. 초기 층에서는 저수준 특징(선, 점, 색상)을 학습하고, 후반 층으로 갈수록 고수준 특징(눈, 코, 입 등)을 학습합니다. 역전파 알고리즘을 통해 손실 함수를 최소화하는 방향으로 가중치와 편향이 조정되어 이미지 인식 성능을 향상시킵니다. 2. 생성적 적대 신경망(GAN) GAN은 ...2025.12.21
1 / 10
