• Journal of Information Processing Systems
• /
• 제16권1호
• /
• pp.171-183
• /
• 2020

Capsule endoscopy is one of the increasingly demanded diagnostic methods among patients in recent years because of its ability to observe small intestine difficulties. It is often conducted for 12 to 14 hours, but significant frames constitute only 10% of whole frames. Thus, it has been designed to automatically acquire significant frames through deep learning. For example, studies to track the position of the capsule (stomach, small intestine, etc.) or to extract lesion-related information (polyps, etc.) have been conducted. However, although grouping or labeling the training images according to similar features can improve the performance of a learning model, various attributes (such as degree of wrinkles, presence of valves, etc.) are not considered in conventional approaches. Therefore, we propose a class-labeling method that can be used to design a learning model by constructing a knowledge model focused on main lesions defined in standard terminologies for capsule endoscopy (minimal standard terminology, capsule endoscopy structured terminology). This method enables the designing of a systematic learning model by labeling detailed classes through differentiation of similar characteristics.

• 대한임베디드공학회논문지
• /
• 제10권5호
• /
• pp.325-333
• /
• 2015

Vision based night-time vehicle detection has been an emerging research field in various advanced driver assistance systems(ADAS) and automotive vehicle as well as automatic head-lamp control. In this paper, we propose night-time vehicle detection method based on multi-class support vector machine(SVM) that consists of thresholding, labeling, feature extraction, and multi-class SVM. Vehicle light candidate blobs are extracted by local mean based thresholding following by labeling process. Seven geometric and stochastic features are extracted from each candidate through the feature extraction step. Each candidate blob is classified into vehicle light or not by multi-class SVM. Four different multi-class SVM including one-against-all(OAA), one-against-one(OAO), top-down tree structured and bottom-up tree structured SVM classifiers are implemented and evaluated in terms of vehicle detection performances. Through the simulations tested on road video sequences, we prove that top-down tree structured and bottom-up tree structured SVM have relatively better performances than the others.

• 한국인터넷방송통신학회논문지
• /
• 제24권1호
• /
• pp.83-88
• /
• 2024

본 연구에서는 Railroad surface 데이터를 활용하여 Semi-Supervised learning방식으로 railroad surface의 defect를 검출해내는 방안을 제안한다. Resnet50에 ImageNet으로 pretrained된 모델을 이용한다. Label이 없는 데이터에서 무작위로 데이터를 선정, 선정한 데이터에 label을 부여한 뒤 이 데이터로 모델을 학습시킨다. 학습된 모델을 이용하여 나머지 데이터의 결과값을 예측한 후, 그 예측값이 일정한 threshold보다 큰 것을 골라내고, threshold보다 큰 값들을 값이 큰 순서대로 정렬하여, 일정한 크기만큼 training data에 추가한다. 이 때, 각 class에 속할 확률이 높은 쪽으로 pseudo-labeling을 수행한다. 초기에 label이 부여된 데이터 개수에 따른 전체적인 class 분류 성능을 확인하는 실험 또한 진행하였고, 전체 training data대비 10% 미만의 labeled data로 최대 98%의 정확도를 얻는 성능을 보였다.

• 인터넷정보학회논문지
• /
• 제18권1호
• /
• pp.65-75
• /
• 2017

탐지 모델은 인공지능 기법들이나 데이터 마이닝 기법, 또는 지능형 알고리즘들을 이용하여 어떠한 목적에 맞는 결과를 찾고자 하는 모델들이다. 사이버 보안에서는 주로 침입탐지, 악성코드 탐지, 침해사고 탐지, 공격 탐지로 활용되고 있다. 보안데이터와 같은 실제 환경에 수집되는 데이터들을 레이블이 되지 않은 데이터들이 많다. 클래스 레이블이 정해지지 않아 유형을 알 수 없는 데이터가 많아 정확한 탐지 및 분석을 하기 위해서는 레이블 결정과정이 필요하다. 본 논문에서 제안하는 방법은 레이블 결정을 위해 D-S 추론 알고리즘과 비교사 방법인 k-means 알고리즘을 적용하여 각 데이터의 레이블을 융합하여 결정할 수 있는 KDFL(K-means and D-S Fusion based Labeling)제안하였으며 이를 적용한 탐지 모델 구조를 제안하였다. 제안하는 방법은 실험을 통해 기존의 방법에 비해 탐지율, 정확도, F1-measure 성능 지표에서 우수한 성능을 나타냈다. 또한 오류율도 크게 개선된 결과를 나타내어 제안하는 방법의 성능을 검증할 수 있었다.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제14권4호
• /
• pp.313-321
• /
• 2014

In the current era of data-intensive services, the handling of big data is a crucial issue that affects almost every discipline and industry. In this study, we propose a classification method for large volumes of numeric data, which is implemented in a distributed programming framework, i.e., MapReduce. The proposed method partitions the data space into a grid structure and it then models the probability distributions of classes for grid cells by collecting sufficient statistics using distributed MapReduce tasks. The class labeling of new data is achieved by k-nearest neighbor classification based on Bayesian inference.

• 한국빅데이터학회지
• /
• 제8권2호
• /
• pp.177-187
• /
• 2023

준지도 학습(Semi-supervised learning)은 소량의 라벨이 있는 데이터와 다량의 라벨이 없는 데이터를 사용하여 모델을 훈련하는 효과적인 방법이다. 그러나 많은 논문에서 준지도 학습시 하나의 고정된 임계값을 사용하여 각 클래스별 서로 다른 이미지들의 특징별 차이를 고려하지 않고 임의 라벨을 만든다. 본 논문에서는 합성개구 레이더(SAR) 이미지 분류 준지도 학습시 모든 클래스가 하나의 고정된 임계값을 사용하는 대신 각 클래스에 대해 서로 다른 임계값을 적용한다. 모델에 임계값 학습 모듈을 추가하여 임계값을 학습하여 클래스별로 학습되는 차이를 고려하여 클래스별로 서로 다른 임계값을 얻는다. 서로 다른 임계값을 사용한 준지도 학습기반의 SAR 이미지 분류 방법을 적용유무를 비교하여 클래스별 임계값을 사용하는 이점에 대해 고찰하였다.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2002년도 Proceedings of International Symposium on Remote Sensing
• /
• pp.696-701
• /
• 2002

This paper describes some results of change detection in Tokyo metropolitan area, Japan , using the Landsat TM data, and methods to quantify the ground cover classes. The changes are analyzed using the measures of not only conventional spectral classes but also a set of landscape indices to describe spatial properties of ground cove types using fractal dimension of objects, entropy in the specific windows defining the neighbors of focusing locations. In order eliminate the seasonal radiometric effects on TM data, an automated class labeling method is also attempted. Urban areas are also delineated automatically by defining the boundaries of the urban area. These procedures for urban change detection were implemented by the unified image computing methods proposed by the author, they can be automated in coherent and systematic ways, and it is anticipated to automate the whole procedures. The results of this analysis suggest that Tokyo metropolitan area was extended to the suburban areas along the new transportation networks and the high density area of Tokyo were also very much extended during the period between 1985 and 1995.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 추계학술발표대회
• /
• pp.749-752
• /
• 2017

캡슐내시경 검사는 일반내시경으로는 관찰하기 힘든 소장 기관을 관찰할 수 있어 최근 환자들 사이에서 수요가 늘고 있는 검사 방법 중 하나이다. 이와 같은 캡슐내시경으로부터 병변에 대한 의료 정보가 획득될 수 있는데, 최근에는 캡슐내시경 영상의 학습을 통해 이를 자동으로 획득하려는 시도들이 이루어지고 있다. 예를 들면, 캡슐의 위치를 추적하기 위해 위장관의 개략적인 위치(위, 소장 등)를 파악하거나, 캡슐내시경 영상으로부터 관찰될 수 있는 병변(폴립 등)을 검출하기 위해 영상의 학습이 수행되고 있는 상황이다. 그러나 캡슐내시경의 방대한 영상 프레임 중에서 병변에 대한 영상은 극히 일부분이기 때문에, 기존 학습 영상의 클래스(레이블)는 다양한 병변에 대한 정의나 영상에서 확인될 수 있는 구체적인 속성이 고려되지 않는다. 따라서 본 논문에서는 캡슐내시경 관련 표준(MST, CEST)에서 정의하고 있는 주요 병변 정보에 대한 색상 유사도 분석을 통해, 출력층에서 활용될 수 있는 클래스 레이블링 기법을 제안한다. 제안하는 기법은 유사한 특성을 보이는 영상의 구분을 통해 세부적인 클래스 레이블링을 수행하여 체계적인 학습 모델의 설계를 가능케한다.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 1999년도 Proceedings of International Symposium on Remote Sensing
• /
• pp.439-442
• /
• 1999

It is important to analyze the seasonal change profiles of land cover type in large scale for establishing preservation strategy and environmental monitoring. Because the NOAA-AVHRR data sets provide global data with high temporal resolution, it is suitable for the land cover classification of the large area. The objectives of this study were to classify land cover of Korea, to investigate the phenological profiles of land cover. The NOAA-AVHRR data from Jan. 1998 to Dec. 1998 were received by Korea Ocean Research & Development Institute(KORDI) and were used for this study. The NDVI data were produced from this data. And monthly maximum value composite data were made for reducing cloud effect and temporal classification. And the data were classified using the method of supervised classification. To label the land cover classes, they were classified again using generalized vegetation map and Landsat-TM classified image. And the profiles of each class was analyzed according to each month. Results of this study can be summarized as follows. First, it was verified that the use of vegetation map and TM classified map was available to obtain the temporal class labeling with NOAA-AVHRR. Second, phenological characteristics of plant communities of Korea using NOAA-AVHRR was identified. Third, NDVI of North Korea is lower on Summer than that of South Korea. And finally, Forest cover is higher than another cover types. Broadleaf forest is highest on may. Outline of covertype profiles was investigated.

• 인터넷정보학회논문지
• /
• 제24권6호
• /
• pp.91-98
• /
• 2023

오늘날 인공지능 산업이 발전함에 따라 여러 분야에 걸쳐 인공지능을 통한 자동화 및 최적화가 이루어지고 있다. 국내의 철도 분야 또한 지도 학습을 이용한 레일의 결함을 검출하는 연구들을 확인할 수 있다. 그러나 철도에는 레일만이 아닌 다른 구조물들이 존재하며 그중 선로 체결 장치는 레일을 다른 구조물에 결합시켜주는 역할을 하는 장치로 안전사고의 예방을 위해서 주기적인 점검이 필요하다. 본 논문에는 선로 체결 장치의 데이터를 이용하여 준지도 학습(semi-supervised learning)과 전이 학습(transfer learning)을 이용한 분류기를 학습시켜 선로 안전 점검에 사용되는 비용을 줄이는 방안을 제안한다. 사용된 네트워크는 Resnet50이며 imagenet으로 선행 학습된 모델이다. 레이블이 없는 데이터에서 무작위로 데이터를 선정 후 레이블을 부여한 뒤 이를 통해 모델을 학습한다. 학습된 모델의 이용하여 남은 데이터를 예측 후 예측한 데이터 중 클래스 별 확률이 가장 높은 데이터를 정해진 크기만큼 훈련용 데이터에 추가하는 방식을 채택하였다. 추가적으로 초기의 레이블된 데이터의 크기가 끼치는 영향력을 확인해보기 위한 실험을 진행하였다. 실험 결과 최대 92%의 정확도를 얻을 수 있었으며 이는 지도 학습 대비 5% 내외의 성능 차이를 가진다. 이는 제안한 방안을 통해 추가적인 레이블링 과정 없이 비교적 적은 레이블을 이용하여 분류기의 성능을 기존보다 향상시킬 수 있을 것으로 예상된다.