• 제목/요약/키워드: 거짓-양성 오류

검색결과 4건 처리시간 0.024초

이중표본에서 모비율의 구간추정 (Interval Estimation of Population Proportion in a Double Sampling Scheme)

  • 이승천;최병수
    • 응용통계연구
    • /
    • 제22권6호
    • /
    • pp.1289-1300
    • /
    • 2009
  • 표본추출 비용의 절감을 위해 흔히 사용되는 이중표본추출방법은 대부분의 표본들이 2종류의 오류에 의해 오염이 되어 있어 통계적 분석이 상대적으로 용이하지 않다. 특히, 비율의 추론을 위한 중요한 분석 도구인 구간추정은 현재까지 우도추정량의 정규근사에 의존하는 Wald 방법만이 알려져 있으나 Wald 신뢰구간은 포함확률의 근사성 등에서 많은 문제가 있다는 것이 여러 연구에서 확인되고 있다. 본 연구에서는 이중표본추출에서 Wald 신뢰구간의 문제점을 파악하고 이에 대한 대안으로 Agresti-Coull 유형의 신뢰구간을 제시한다.

오분류된 이진자료에서 Agresti-Coull유형의 신뢰구간에 대한 이론적 고찰 (Theoretical Considerations for the Agresti-Coull Type Confidence Interval in Misclassified Binary Data)

  • 이승천
    • Communications for Statistical Applications and Methods
    • /
    • 제18권4호
    • /
    • pp.445-455
    • /
    • 2011
  • 표본추출에서 오분류된 이진자료는 흔히 발생될 수 있는 현실적인 문제이지만 통계적 방법론은 상대적으로 제한적이라고 할 수 있다. 특히, 모비율의 구간추정 문제는 고전적인 Wald 방법에 의존하고 있었다. 그러나 최근 이승천과 최병수 (2009)에서 Agresti-Coull 방법을 적용하고 새로운 구간추정 방법을 제시하였으며, 수치적인 방법에 의해 Agresti-Coull 신뢰구간의 효율성을 주장하였다. 본 연구에서는 오분류된 이진자료에 대한 베이지안 모형을 다루었으며, 베이지안 모형이 Agresti-Coull 신뢰구간의 이론적 배경이 될 수 있는지 살펴 보았다.

R-CNN에 기반한 블랙 스크린의 위치 추정 (Position Estimation of Black Screen Using R-CNN)

  • 김성진
    • 한국정보처리학회:학술대회논문집
    • /
    • 한국정보처리학회 2022년도 추계학술발표대회
    • /
    • pp.387-389
    • /
    • 2022
  • 블랙 스크린은 비디오 월 컨트롤러의 멀티스크린에 정상적인 영상이 아닌 블랙 스크린이 표출되는 현상이다. 비디오 월 컨트롤러에서 블랙 스크린이 발생하는 빈도는 높지 않지만, 운용 중에 발생하게 되면 모니터링 업무를 수행할 수 없게 되므로 치명적인 오류라고 할 수 있다. 따라서 블랙 스크린을 감지하기 위한 시스템이 개발되고 있지만, 거짓 양성의 비율이 높고 블랙 스크린이 발생한 위치를 추정하지 못하는 단점이 있다. 이에 본 논문에서는 R-CNN을 이용하여 감지 성능을 향상시키고 블랙 스크린이 발생한 위치를 추정하는 모델을 제안한다.

얼굴 검증을 이용한 얼굴 인식 방법 (Face Recognition Method using Face Verification)

  • 오세창;김효익
    • 한국정보처리학회:학술대회논문집
    • /
    • 한국정보처리학회 2019년도 추계학술발표대회
    • /
    • pp.926-927
    • /
    • 2019
  • 본 논문은 개방형 얼굴 인식 문제를 다룬다. 이 문제는 학습되지 않는 대상에 의해 발생하는 거짓 양성 오류문제를 포함하며, 이로 인해 얼굴인식 기술을 보안 시스템에 적용하는 것을 어렵게 만든다. 본 논문에서는 이러한 개방형 얼굴 인식 문제를 효과적으로 해결하기 위해 먼저 얼굴 검증 방법으로 식별력이 강한 특징 벡터를 생성하고, 이를 바탕으로 일반적인 분류기가 아닌 추가학습과 실시간 처리가 가능한 군집화 방식의 알고리즘을 제안한다. 이 방법을 적용한 실험 결과 80 명의 얼굴이 포함된 FaceScrub 데이터 세트에서 4 명을 제외하고 학습시켰을 때 98%의 정확도와 0%의 특이도를 얻을 수 있었다.