총 11개
-
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
-
딥러닝을 이용한 COVID-19 흉부 X선 영상 자동 탐지2025.01.031. COVID-19 진단 이 연구에서는 COVID-19 환자를 식별하기 위해 흉부 X선 영상을 사용했습니다. DenseNet169 심층 신경망을 사용하여 이미지 특징을 추출하고 XGBoost 알고리즘을 통해 분류를 수행했습니다. 제안된 방법은 기존 방법보다 더 정확하고 빠르며 허용 가능한 성능을 보였습니다. 이는 의료 영상 분석과 방사선학 분야에서 딥러닝의 발전을 보여줍니다. 2. XGBoost 알고리즘 XGBoost는 2016년 Chen & Guestrin이 제안한 트리 부스팅 기반의 효율적이고 확장 가능한 알고리즘입니다. 여러...2025.01.03
-
컴퓨터비전의 개념과 발전 과정2025.12.191. 컴퓨터비전의 개념 및 연구 영역 컴퓨터비전은 디지털 영상이나 비디오로부터 유용한 정보를 자동으로 추출하고 분석하여 의사결정에 활용하는 기술이다. 영상 처리, 패턴 인식, 인공지능과 밀접하게 연관되어 있으며, 객체 검출, 이미지 분할, 동작 인식, 3차원 재구성 등의 연구 영역으로 나뉜다. 인간의 시각적 인지 과정을 모방하기 위해 복잡한 수학적 알고리즘과 데이터 기반 학습 기법을 필요로 한다. 2. 딥러닝 혁신과 성능 향상 2012년 AlexNet이 ILSVRC 대회에서 기존 기법을 압도하면서 컴퓨터비전은 새로운 전기를 맞이했다...2025.12.19
-
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
-
자동차 엔진 센서 데이터를 이용한 AI 자동 검사 모델2025.11.131. CNN 딥러닝 모델 Convolutional Neural Network(CNN) 모델을 자동차 엔진 센서 데이터 분석에 적용하여 97.35%의 높은 정확도를 달성했습니다. CNN은 인접한 센서 값들 간의 패턴을 효과적으로 학습하며, kernel size 3으로 설정하여 최적의 성능을 보였습니다. 정밀도 97.04%, 재현율 97.5%, F1 스코어 97.27%, AUC 99.43%의 우수한 평가지표를 기록했으며, 과적합 없이 400 epoch 동안 안정적으로 학습되었습니다. 2. 엔진 상태 예측 및 자동 검사 Ford 자동차 ...2025.11.13
-
소상공인용 AI 재고관리 시스템 사업계획서2025.12.201. AI 비전 기반 재고관리 시스템 스마트 스톡은 AI와 비전 기술을 활용하여 소상공인의 재고 관리를 혁신하는 시스템이다. 매장 내 설치된 AI 카메라가 상품의 입출고 및 현재 재고 상태를 실시간으로 자동 파악하며, 이 데이터를 기반으로 발주 최적화, 유통기한 관리, 판매 예측 등의 핵심 기능을 제공한다. 직관적인 모바일 앱과 대시보드를 통해 매장 운영주는 언제 어디서든 재고 현황을 확인하고 데이터 기반의 효율적인 의사 결정을 내릴 수 있다. 2. 소상공인 시장 기회 및 니즈 전국 소상공인 사업체 수는 약 700만 개에 달하며, ...2025.12.20
-
객체 인식 기술의 원리와 응용 분야2025.12.191. 객체 인식의 개념과 기본 구조 객체 인식은 영상에서 개별 사물을 식별하고 분류하거나 위치를 찾아내는 과정이다. 영상 전처리, 특징 추출, 분류의 세 단계로 구성되며, 초기에는 사람이 직접 특징을 설계했으나 현대 딥러닝 기반 기법에서는 모델이 자동으로 특징을 학습한다. 이는 컴퓨터비전 분야의 핵심 기술로서 이미지나 영상 속에서 특정 대상이 무엇인지 식별하는 과정을 의미한다. 2. 딥러닝 기반 객체 인식 모델의 혁신 2012년 알렉스넷 등장 이후 합성곱 신경망(CNN)이 객체 인식 분야의 판도를 바꾸었다. VGG, ResNet, ...2025.12.19
-
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
1 / 2
