Bayesian neural network를 활용한 화재 오인식 개선 연구 (A Study on the Improvement of Fire Misunderstanding using Bayesian Neural Network)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 22권 / 1호 / 151 ~ 160페이지
· 저자명 : 김종식, 강대성

초록

현재 딥러닝 모델들의 잘못된 예측으로 간혹 사고가 발생하고 있는 게 사실이다. 특히 화재 및 재난의 경우에는 피해 규모는 상상을 초월할 수 있다. 본 논문에서는 화재와 같이 Data 수집이 제한되었을 때 화재의 인식률 저하를 개선하기 위하여 BNN(Bayesian neural network)의 방식 중 하나인 MC(Monte Carlo) dropout을 활용한 화재 오인식 개선에 관해 연구하였다. BNN이 화재 인식 후 불확실성의 분포가 클 때 화재일 가능성이 작다고 판단하여 CNN의 화재 판단을 보류하는 방식으로 화재 인식률을 개선 시켰다. 총 100개의 학습되지 않은 이미지를 활용하여 CNN 방식과 BNN + CNN 방식 사용 시 추론 결과를 서로 비교하였다. 그 결과 약 13%가 불확실성이 높아 개선된 추론 결과를 얻었다. 전체 데이터 확인 결과 4% 정도 에러를 고려하면 CNN에 비해 약 9% 정도 개선된 결과를 얻었다.

영어초록

Accidents sometimes occur due to incorrect predictions of current deep learning models. Especially damage from fire or disaster is beyond our imagination. In this paper, we studied recognition rate improvement using Monte Carlo (MC) dropout, one of the Bayesian neural network(BNN) methods to improve the low recognition rate of fire when data collection is limited, such as a fire. When BNN recognized fire and the uncertainty distribution was large, it judged that the probability of a fire was low and improved the fire recognition rate by suspending CNN's fire judgment. One hundred untrained images were used to compare the inference results when using the CNN method and BNN + CNN method. As a result, approximately 13% had high uncertainty, resulting in improved inference results. As a result of checking the entire data, considering the error of about 4%, the results were improved by about 9% compared to CNN.

참고자료

· 없음