DOI QR코드

DOI QR Code

Image generation and classification using GAN-based Semi Supervised Learning

GAN기반의 Semi Supervised Learning을 활용한 이미지 생성 및 분류

  • 정도윤 (호남대학교 컴퓨터공학과) ;
  • 최광미 (호남대학교 컴퓨터공학과) ;
  • 김남호 (호남대학교 컴퓨터공학과)
  • Received : 2024.03.14
  • Accepted : 2024.04.01
  • Published : 2024.03.29

Abstract

This study deals with a method of combining image generation using Semi Supervised Learning based on GAN (Generative Adversarial Network) and image classification using ResNet50. Through this, a new approach was proposed to obtain more accurate and diverse results by integrating image generation and classification. The generator and discriminator are trained to distinguish generated images from actual images, and image classification is performed using ResNet50. In the experimental results, it was confirmed that the quality of the generated images changes depending on the epoch, and through this, we aim to improve the accuracy of industrial accident prediction. In addition, we would like to present an efficient method to improve the quality of image generation and increase the accuracy of image classification through the combination of GAN and ResNet50.

본 연구는 GAN(Generative Adversarial Network)을 기반으로 한 Semi Supervised Learning을 활용하여 이미지 생성과 ResNet50을 이용한 이미지 분류를 결합하는 방법에 대해 다루고 있다. 이를 통해 새로운 접근법을 제시하여 이미지 생성과 분류를 통합함으로써 더 정확하고 다양한 결과를 얻을 수 있도록 하였다. 생성자와 판별자를 학습시켜 생성된 이미지와 실제 이미지를 구별하고, ResNet50을 활용하여 이미지 분류를 수행한다. 실험 결과에서는 생성된 이미지의 품질이 epoch에 따라 변화함을 확인할 수 있었으며, 이를 통해 산업재해 예측 정확성을 향상하고자 한다. 또한, GAN과 ResNet50의 결합을 통해 이미지 생성의 품질을 향상시키고 이미지 분류의 정확도를 높이는 효율적인 방법을 제시하고자 한다.

Keywords

Acknowledgement

이 논문은 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원을 받아 수행된 지역지능화혁신인재양성사업 (IITP-2024-00156287, 100%)의 연구결과로 수행되었음.

References

  1. 한국산업인력공단 홍보센터 - 중대재해 막아주는 AI가 뜬다(2023). https://webzine.hrdkorea.or.kr/section/webzine/view?id=12070 (accessed Feb., 13, 2024).
  2. 조영주, 배강민, & 박종열, "GAN 적대적 생성 신경망과 이미지 생성 및 변환 기술 동향, " [ETRI] 전자통신동향분석, 제35권, 제4호, 91-102쪽, 2020년
  3. 이윤선, 김연욱, 박지수, 오승진, 박준형, & 최진, "GAN 을 활용한 데이터 생성 연구 동향, " 한국항공우주학회 학술발표회 초록집, 312-313쪽, 2023년
  4. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y., "Generative adversarial nets." Advances in neural information processing systems, vol. 27, 2014.
  5. Rasmus, A., Berglund, M., Honkala, M., Valpola, H., & Raiko, T., "Virtual adversarial training: a Regularization method for supervised and semi-supervised learning," IEEE transactions on pattern analysis and machine intelligence, vol. 41, no. 8, pp. 1979-1993. 2018.
  6. Miyato, T., Maeda, S. I., Koyama, M., & Ishii, S., "Semi-supervised learning with ladder networks," Advances in neural information processing systems, vol. 28, 2015.
  7. Berthelot, D., Carlini, N., Goodfellow, I., Papemot, N., Oliver, A., & Raffel, C. A., "Mixmatch: A holistic approach to semi-supervised learning," Advances in neural information processing systems, vol. 32, 2019.
  8. He, K., Zhang, X., Ren, S., & Sun, J., "Deep residual learning for image recognition," In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778. 2016.
  9. He, K., Zhang, X., Ren, S., & Sun, J., ''Identity mappings in deep residual networks," Springer International Publishing, pp. 630-645, Sep. 2016.
  10. You, C., Li, G., Zhang, Y., Zhang, X., Shan, H., Li, M., ... & Wang, G, "CT super-resolution GAN constrained by the identical, residual, and cycle learning ensemble (GAN-CIRCLE)," IEEE transactions on medical imaging, vol. 39, no. 1, pp. 188-203, 2019.
  11. Ben-Gohen, A., Klang, E., Raskin, S. P., Soffer, S., Ben-Haim, S., Konen, E., ... & Greenspan, H, "Cross-modality synthesis from CT to PET using FCN and GAN networks for improved automated lesion detection," Engineering Applications of Artificial Intelligence, vol. 78, pp. 186-194, 2019.