• 한국정보과학회논문지:컴퓨팅의 실제 및 레터
• /
• 제16권10호
• /
• pp.955-961
• /
• 2010

본 논문에서는 HOG 특정벡터와 영상분할을 이용한 부스팅 분류기반의 자동차영역 검출 알고리즘의 연구에 대해서 기술한다. 입력된 영상으로부터 차량을 검출하기위해 먼저 분할 후 합병(split-merge) 방법을 적용하여 영상을 분할한다. 그리고 가장 큰 두 영역을 검색 영역에서 제외하여 처리 속도를 향상 시킨다. 각 영역에 대해 HOG(histogram of oriented gradient) 특정을 추출한다. 분류기는 두 개의 모집단을 분류하는데 많이 사용되고 있는 AdaBoost 방법을 사용한다. 제안방법의 성능 평가를 위해 537개의 영상을 사용하여 분류기를 학습하였으며, 또한 학습에 사용하지 않은 비학습영상 500개를 사용하여 인식률을 구하였다. 실험결과 비학습영상에 대해 98.34%의 인식률을 얻었다. 결론적으로 제안된 방법이 지능형 자동차 제어 시스템에서 차량의 위치를 찾는 방법으로 활용될 수 있다.

• 대한의용생체공학회:의공학회지
• /
• 제28권2호
• /
• pp.199-204
• /
• 2007

In digital radiography, to improve the contrast of digital radiography image, the multi-scale nonlinear amplification algorithm based on unsharp masking is one of the major image enhancement algorithms. In this paper, we used the Laplacian pyramid to decompose a digital radiography(DR) image. In our simulation, the DR image was decomposed into seven layers and the coefficients of the each layer was amplified with nonlinear function. We also imported a noise containment algorithm to limit noise amplification. To enhance the contrast of image, we proposed a new adaptive non-linear gain amplification coefficients. As a result of having applied to some clinical data, a detail visibility was improved significantly without unacceptable noise boosting. Images that acquired with the proposed adaptive non-linear gain coefficients have shown superior quality to those that applied similar gain control method and expected to be accepted in the clinical applications.

• ETRI Journal
• /
• 제32권5호
• /
• pp.761-765
• /
• 2010

In this paper, we introduce an improved adaptive boosting (AdaBoost) classifier and its application, a disguised-face discriminator that discriminates between bare and disguised faces. The proposed classifier is based on an AdaBoost learning algorithm and regression technique. In the process, the lookup table of AdaBoost learning is utilized. The proposed method is verified on the captured images under several real environments. Experimental results and analysis show the proposed method has a higher and faster performance than other well-known methods.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2017년도 춘계학술발표대회
• /
• pp.1020-1023
• /
• 2017

Viola와 Jones가 제안한 AdaBoost(Adaptive Boosting) 알고리즘은 기존의 물체 검출기에 비해 속도와 정확도 면에서 우수하여 실시간 물체 검출기로써 좋은 성능을 보인다. 하지만 여전히 많은 계산량 때문에 성능이 낮은 임베디드 환경에서는 실시간 검출에 대한 아쉬움이 있다. 본 논문에서는 계산량을 줄이기 위해 모션 검출을 통해 배경 영역을 제거하고 얼굴 영역을 추정한다. 제거된 배경 영역은 AdaBoost 알고리즘의 검출 과정에서 제외되며 추정된 얼굴 영역에 대해서만 검출을 하게 된다. 모션검출은 ${\Sigma}-{\Delta}$(Sigma-Delta) 배경 추정에 기반한 알고리즘을 사용한다.

• ETRI Journal
• /
• 제31권3호
• /
• pp.282-291
• /
• 2009

An online mean-shift object tracking algorithm, which consists of a learning stage and an estimation stage, is proposed in this work. The learning stage selects the features for tracking, and the estimation stage composes a likelihood image and applies the mean shift algorithm to it to track an object. The tracking performance depends on the quality of the likelihood image. We propose two schemes to generate and integrate likelihood images: one based on the discrete AdaBoost (DAB) and the other based on the real AdaBoost (RAB). The DAB scheme uses tuned feature values, whereas RAB estimates class probabilities, to select the features and generate the likelihood images. Experiment results show that the proposed algorithm provides more accurate and reliable tracking results than the conventional mean shift tracking algorithms.

• Communications for Statistical Applications and Methods
• /
• 제13권1호
• /
• pp.151-165
• /
• 2006

It is important to estimate the true misclassification rate of a given classifier when an independent set of test data is not available. Cross-validation and bootstrap are two possible approaches in this case. In related literature bootstrap estimators of the true misclassification rate were asserted to have better performance for small samples than cross-validation estimators. We compare the two estimators empirically when the classification rule is so adaptive to training data that its apparent misclassification rate is close to zero. We confirm that bootstrap estimators have better performance for small samples because of small variance, and we have found a new fact that their bias tends to be significant even for moderate to large samples, in which case cross-validation estimators have better performance with less computation.

• 대한원격탐사학회지
• /
• 제34권4호
• /
• pp.591-600
• /
• 2018

Recent SAR systems provide fully polarimetric SAR data, which is known to be useful in a variety of applications such as disaster monitoring, target recognition, and land cover classification. The objective of this study is to evaluate the performance of polarization SAR data for landslide detection. The detectability of different SAR parameters was investigated based on the supervised classification approach. The classifier used in this study is the Adaptive Boosting algorithms. A fully polarimetric L-band PALSAR-2 data was used to examine landslides caused by the 2016 Kumamoto earthquake in Kyushu, Japan. Experimental results show that fully polarimetric features from the target decomposition technique can provide improved detectability of landslide site with significant reduction of false alarms as compared with the single polarimetric observables.

• 한국통신학회논문지
• /
• 제41권12호
• /
• pp.1978-1984
• /
• 2016

본 논문에서는 영상의 대비효과를 부각시키는 CLAHE(Contrast-Limit Adaptive Histogram Equalization)를 적용한 Adaboost 기반 방법을 통해 우천 상황에서 강인한 차량 검출 방법을 제안한다. 본 논문에서는 차량 검출의 효과적인 실시간 동작을 위해 2가지를 제안하였다. 먼저 영상의 RGB값을 통해 우천 상황 여부를 판단하여 검출 방법을 선택할 수 있도록 하여 연산량을 줄이는 것과 CLAHE를 이용한 영상 처리를 통해 영상 내에 차량의 후미등을 검출하여 관심영역을 지정해주는 방법을 제안했다. 또한 본 논문에서는 기존에 차량 검출 방법으로 제시되었던 가우시안 혼합 모델(Gaussian Mixture Model), 옵티컬 플로우(Optical Flow)와 Adaboost(Adaptive boosting)의 우천 상황에서의 차량 검출율을 비교하여 최종적으로 Adaboost를 선택한 이유를 설명했다. 본 논문 실험 결과는 CLAHE 미적용 시 정확율과 재현율은 각각 0.83, 0.77 이었고, CLAHE 적용 시 0.85, 0.87로 적용했을 때 정확율과 재현율에서 약 2%, 13% 향상되었다.

• 한국해양학회지:바다
• /
• 제27권2호
• /
• pp.71-86
• /
• 2022

해양환경을 정량적으로 평가하기 위해 수질평가지수(water quality index, WQI)가 사용되고 있다. 우리나라는 해양수산부고시 해양환경기준에 따라 WQI를 5개 등급으로 구분하여 수질을 평가한다. 하지만, 방대한 수질 조사 자료에 대한 WQI 계산은 복잡하고 많은 시간이 요구된다. 이 연구는 기존의 조사된 수질 자료를 활용하여 WQI 등급을 예측할 수 있는 기계학습(machine learning, ML) 기반의 모델을 제안하고자 한다. 특별관리해역인 시화호를 모델링 지역으로 선정하였다. AdaBoost와 TPOT 알고리즘을 모델 훈련을 위해 사용하였으며, 분류 모델 평가 지표(정확도, 정밀도, F1, Log loss)로 모델 성능을 평가하였다. 훈련하기 전, 각 알고리즘 모델의 최적 입력자료 조합을 탐색하기 위해 변수 중요도와 민감도 분석을 수행하였다. 그 결과 저층 용존산소(dissolved oxygen, DO)는 모델의 성능에서 가장 중요한 인자였다. 반면, 표층 용존무기질소(dissolved inorganic nitrogen, DIN)와 표층 용존무기인(dissolved inorganic phosphorus, DIP)은 상대적으로 영향이 적었다. 한편, 최적 모델의 시공간적 민감도와 WQI 등급 별 민감도를 비교한 결과 각 조사 정점 및 시기, 등급 별 모델의 예측 성능이 상이하였다. 결론적으로 TPOT 알고리즘이 모든 입력자료 조합에서 성능이 더 우수하여 충분한 자료로 훈련된 최적 모델은 새로운 수질 조사 자료의 WQI 등급을 정확하게 분류할 수 있을 거라 판단된다.

• 한국지능시스템학회논문지
• /
• 제23권6호
• /
• pp.545-550
• /
• 2013

패턴 인식 분야에 있어서 데이터 분류는 해당 데이터에서 유용한 정보를 추출하기 위해서 반드시 수행해야 하는 과정 중 하나이다. AdaBoost 알고리즘은 Boosting 알고리즘을 실제 데이터 분석에 이용할 수 있도록 개량한 것으로, Random guessing이나 Random forest와 같이 정확한 결과를 도출할 확률이 50%보다 조금 높은 약한 분류기와 가중치 값의 조합을 통해 높은 분류 성능을 가지는 강한 분류기를 생성하는 방법을 뜻한다. 본 논문에서는 AdaBoost 알고리즘을 이용하여 비강수에코 중 강수에코와 그 특성이 유사하여 기상 예보를 수행하는 데 방해가 되는 채프에코를 식별하는 알고리즘의 구현에 대한 연구를 수행하였다. 기상 현상 관측을 위해 사용하는 레이더 데이터를 정적 클러스터링과 동적 클러스터링 과정을 통해서 유사도를 기반으로 한 클러스터를 생성한 후, 이를 예보관의 채프에코 판별 결과에 따라 채프에코와 비채프에코로 나누어 학습 데이터를 구성한 후 AdaBoost 알고리즘에 적용하여 분류기를 구현하였다. 제안한 AdaBoost 알고리즘의 성능을 검증하기 위하여 실제 채프에코가 발생한 레이더 데이터를 적용하였으며, 실험 결과를 통해서 제안한 알고리즘이 효과적으로 채프에코를 분류할 수 있음을 확인하였다.