딥 러닝 향상을 위한 이미지 전처리 자동화

Abstract

딥 러닝(Deep Learning)은 기계학습(Machine Learning)의 한 분야로서 인간의 사고방식처럼 컴퓨터가 이해할 수 있도록 가공한 데이터를 학습하는 기술이다. 딥 러닝을 통해 이미지 분류를 학습시키는 경우 높은 정확도를 얻기 위해 많은 양의 이미지 데이터 수집이 필요하다. 그러나 현실 세계에서 생기는 밝기와 같은 외부요소로 인해 발생하는 노이즈나 다양한 배경 및 장소 등을 반영한 이미지 데이터를 모두 구할 수 없기 때문에 그 한계가 존재한다. 데이터 수집의 한계를 극복하기 위해 인공지능을 통해 임의적으로 데이터 증강(Data Arugumentation)을 통해 적은 데이터로도 많은 데이터로 학습 시킨 효과를 내는 연구들이 많이 진행되었다. 그러나 데이터 증강 방식도 결국에는 많은 데이터를 학습 시키는 방식이고 많은 데이터를 만들어내고 그걸 학습시키기 위해서는 컴퓨팅 파워와 자원이 필요하다. 본 논문에서는 선행 연구의 데이터 증강시키는 아이디어와 반대로 이미지 전처리를 통해 현실 세계 이미지 데이터에서 외부요인 노이즈 및 환경 요소들을 제거하고 정규화 된 이미지 데이터와 비슷하게 만들어 딥 러닝 정확도를 향상 시키는 것을 목표로 한다, 본 논문에서는 이미지 전처리 성능을 비교하기 위한 이미지 데이터로 이미지 분류 성능 평가에 가장 많이 이용되는 MNIST 데이터를 사용하였다. 이미지 전처리 자동화 알고리즘에는 컴퓨터 비전 라이브러리와 오토인코더를 사용했다. 본 논문에서 MNIST 데이터로 학습된 모델을 이용하여 현실 세계 이미지 데이터 분류 할 수 있는 이미지 전처리 알고리즘을 제시한다. 또한 MNIST 데이터양에 따른 학습 결과를 비교하여 이미지 전처리가 딥 러닝 정확도에 끼치는 영향을 분석한다.|Deep learning is a field of machine learning, a technique that processes and learns data so that computers can understand it, like human thinking. The limitations exist because image data to learn deep learning do not reflect all the noise generated by external factors such as brightness in the real world or objects in various backgrounds and locations. In order to solve these problems and improve accuracy, many studies have been conducted that have the effect of randomly learning data with less data through artificial intelligence. But this is also how you learn a lot of data, and it takes computing power and resources to create and learn a lot of data. In this paper, as opposed to the idea of data augmentation in preceding studies, the purpose of this paper is to eliminate noise caused by external factors from real world image data through image pre-processing and to make it similar to existing learning images to improve deep learning accuracy. In this paper, MNIST data, which is most commonly used as image data to compare image preprocessing performance, is used. Computer vision libraries and auto-encoder were used to create image pre-processing automation algorithms. In this paper, image preprocessing algorithm that can classify real world image data using model learned with MNIST data is presented.