영상 기반 실내 위치 추정을 위한 심층 합성곱 신경망에 관한 연구. 먼저 전이학습에 사용할 심층 합성곱 신경망의 유형을 결정해야 합니다.
서 론
연구배경
또한, 사전 정보 없이 초기화된 심층 컨벌루션 신경망을 학습하려면 계산 자원과 계산 시간이 필요하므로 일반적인 목적으로 사용하기 어렵습니다. 따라서 실내 위치 추정을 위한 전이학습에 사용할 사전 학습된 심층 합성곱 신경망의 종류에 따라 비교 분석이 수행되어야 한다.
연구 동향
특히 심층 컨벌루션 신경망(Deep Convolutional Neural Network)은 이미지, 비디오, 오디오 처리 분야의 발전을 주도하고 있습니다. Werner는 분류할 각 영역에 대한 훈련 이미지로 약 1,000개의 이미지를 사용했습니다.
심층 합성곱 신경망의 전이학습
심층 합성곱 신경망
- 심층 합성곱 신경망 구조
- 영상 분류를 위한 심층 합성곱 신경망 종류
컨볼루션 신경망의 학습 과정은 다음과 같습니다. 심층 신경망에서 발생하는 문제가 해결되었습니다.
전이학습
유형 1은 목표 데이터의 양이 적기 때문에 이전에 훈련된 심층 신경망을 완전히 미세 조정한 경우 과적합이 발생할 수 있습니다. 이는 목표 데이터와 이전 학습에 사용된 데이터 간의 유사도가 높기 때문에 동일한 특징을 추출하고 분류기만 학습하여 모델을 적용한다는 의미입니다. Type 3의 경우 학습하지 않을 레이어의 범위를 정하는 과정이 필요하다.
실험 방법
실험 대상지 구축
분류할 영역의 수는 15개로 설정하였다. 결과적으로 교실과 복도의 벽과 바닥은 동일하며, [그림 3-3]에 존재하는 가구는 공통적이라는 의미에서 공통적이다. Zone 2를 제외한 모든 교실에 존재합니다. 또한 일부 구역에는 사물함과 음수대가 있으며 사물함과 음수대는 동일한 유형으로 장소 간에 공통으로 설치됩니다.
카메라 경로 설정
다만, 장애물이 많고 전체 경로가 짧은 경우에는 각 지역의 안내 영상 개수가 동일하도록 전체 이동 속도를 감소시켰습니다.
영상 데이터베이스 구축
- 전뱡향 영상 취득
- 원근 투영 영상 취득
다음은 단위 구로 구성된 핀홀 카메라 모델의 이미지 평면에 색상을 일치시키는 방법입니다. 먼저, 이미지 평면을 래스터화하고 각 픽셀에 좌표를 할당하는 과정을 설명합니다. 다음 단계는 구의 색상 정보를 이미지 평면으로 리샘플링하는 것입니다.
전이학습을 이용한 심층 신경망 학습
신경망 학습에서는 학습 정확도와 검증 정확도가 수렴되었다고 판단될 때까지 최대 반복 횟수를 늘려야 합니다. 전이 학습의 경우 신경망을 처음부터 훈련시킬 때보다 정확도가 더 빠르게 수렴됩니다. 본 연구의 학습에서는 2번의 반복 학습 후에 정확도가 수렴하는 경향이 있어 최대 반복 횟수는 3번으로 설정하였다.
데이터 정제
- 동기
- 엔트로피를 이용한 데이터 정제
당시 엔트로피는 영상에 담긴 정보량을 측정하는 수단으로 사용됐다. 그런 다음 각 그룹에 대한 훈련 이미지의 엔트로피가 계산되고 해당 값을 기준으로 정렬됩니다. 그런 다음 N 값을 설정하고 엔트로피 값을 기준으로 하위 N% 이미지를 P(x)로 분류합니다.
분석 방법
실험결과 및 분석
영상 데이터베이스 구축 결과
이는 전방향 이미지이며 해당 단일 이미지에서 생성된 원근 투영 이미지의 일부입니다. 부록에는 모든 영역에서 획득한 전방향 이미지의 예가 포함되어 있습니다. b) 해당 전방향 이미지로부터 생성된 원근 투영 이미지의 일부.
분류 결과 분석
- 각 구역별 분류 결과 분석
- 합성곱 신경망 종류별, 전이학습 유형별 평가
이는 Type 3으로 학습할 때, 이번 실험에서 영상을 분류할 수 있는 특징을 추출하기 위해 신경망의 컨볼루션 레이어 필터를 수정했기 때문인 것으로 해석된다. 하지만 신경망의 성능이 좋을수록 레이어와 매개변수가 많아지므로 학습 시간과 분류 시간이 길어집니다. 따라서 신경망 간의 학습 시간과 분류 시간의 차이는 정확도의 차이보다 상대적으로 더 큽니다.
데이터 정제 평가 결과
따라서 영역의 정확도, 컨볼루션 신경망의 종류, 전이학습의 종류가 높을수록 양성 분류 빈도가 높아지고 엔트로피 기준이 낮아져 제거되는 이미지가 적어지는 것을 알 수 있다. 따라서 정제 전의 이미지로 훈련된 신경망은 정보가 부족한 상태에서 이미지를 학습했다고 볼 수 있으나 정확도가 신경망의 평균 정확도에 비해 낮기 때문에 학습 효과가 작다고 할 수 있습니다. 또한 정보가 적은 이미지에 대해 훈련되지 않은 정제 후 이미지를 사용하는 신경망은 정보가 적은 이미지에 대해 정확도가 낮습니다.
결론
따라서 전이학습 유형 3으로 학습할 경우 실내 위치 추정 성능이 향상됨을 확인할 수 있었다. 마지막으로 정보가 부족한 영상을 제거하는 데이터 클렌징을 통해 분류 정확도가 향상되었으며, 이 방법은 다른 준비 작업에도 활용될 수 있다는 점에서 가치가 있다. 기계 학습. 전이학습 기반 컨볼루셔널 신경망을 이용한 다중 클래스 분류에 관한 연구.
구역별 전방향 영상
모든 경우의 Confusion Matrix
Recently, the image classification system using the convolutional neural network has been greatly developed, and the indoor positioning system using the convolutional neural network has received attention. The following factors should be taken into consideration to learn the convolutional neural network using transfer learning. This study compared the performance of types of neural networks and types of transfer learning in indoor positioning by image classification via a deep convolutional neural network.
