http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : Christian Wallraven (검색결과 18 건)
- 무료
- 기관 내 무료
- 유료
-
Learning to recognize face shapes through serial exploration.
Wallraven, Christian,Whittingstall, Lisa,B?lthoff, Heinrich H Springer-Verlag 2013 Experimental brain research Vol.226 No.4
<P>Human observers are experts at visual face recognition due to specialized visual mechanisms for face processing that evolve with perceptual expertize. Such expertize has long been attributed to the use of configural processing, enabled by fast, parallel information encoding of the visual information in the face. Here we tested whether participants can learn to efficiently recognize faces that are serially encoded-that is, when only partial visual information about the face is available at any given time. For this, ten participants were trained in gaze-restricted face recognition in which face masks were viewed through a small aperture controlled by the participant. Tests comparing trained with untrained performance revealed (1) a marked improvement in terms of speed and accuracy, (2) a gradual development of configural processing strategies, and (3) participants' ability to rapidly learn and accurately recognize novel exemplars. This performance pattern demonstrates that participants were able to learn new strategies to compensate for the serial nature of information encoding. The results are discussed in terms of expertize acquisition and relevance for other sensory modalities relying on serial encoding.</P>
-
-
신아영(Ahyoung Shin),Christian Wallraven,Heinrich B?lthoff,이성환(Seong-Whan Lee) 한국정보과학회 2010 한국정보과학회 학술발표논문집 Vol.37 No.2C
3차원 변형가능 얼굴 모델은 조명과 포즈 변화에 강인한 얼굴 인식, 표정 합성, 얼굴 복원, 애니메이션 등 다양한 분야에서 사용되고 있다. 이러한 3차원 변형가능 얼굴 모델을 생성하기 위해서는 다수의 얼굴 데이터에 대하여 정점의 수를 일치시키고 정렬하는 대응점 찾기 과정이 필요하다. 하지만 기존 방법들은 귀와 같이 굴곡이 많은 부분에서는 대응점 찾기 결과가 부정확하거나 세부적인 부분에서의 표현력이 떨어지고 얼굴 곡면을 매끄럽게 표현하는데 한계가 있다. 본 논문에서는 변형가능 얼굴의 정확한 대응점 찾기와 부드러운 곡면의 표현이 가능한 음함수 곡면을 이용한 대응점 찾기 방법 기반의 3차원 변형가능 얼굴 모델 생성 방법을 제안한다. 그리고 생성된 3차원 변형가능 얼굴 모델의 파라미터를 조정하여 사실적인 얼굴 속성 변화 실험을 하였다.
-
인간의 인지 특성을 이용한 조명 변화에 강인한 얼굴 인식
최은수(Eunsoo Choi),Christian Wallraven,이성환(Seong-Whan Lee) 한국정보과학회 2011 한국정보과학회 학술발표논문집 Vol.38 No.2B
얼굴 인식에 관하여 최근 수년 동안 많은 발전이 있었다. 하지만 조명의 다각도 변화 환경에서 얼굴 인식은 어려운 문제로 남아있다. 본 논문에서는 조명 변화에 강인한 얼굴 인식 문제를 풀기 위하여 인간의 인지 특성을 이용한 얼굴 인식 알고리즘을 제안한다. 인간의 인지 특성을 알기 위해 버블 마스크를 이용한 인간의 인지 능력 실험을 하였다. 이 실험을 통해 인간이 얼굴을 인지할 때 얼굴의 어느 부위를 중요하게 보는지를 확인하고 그 중요도에 따라 가중치가 부여된 마스크를 생성한다. 얼굴 영상에 대해 국부적 Gabor 이진 패턴 (Local Gabor Binary Pattern LGBP)을 적용하여 히스토그램을 생성한다. 생성된 히스토그램을 학습된 패턴과 정합(matching)하는 방법으로 얼굴 인식을 수행하는데 이때 인간의 인지 실험으로부터 얻은 가중치 마스크를 적용한다. 가중치 마스크에서 가중치가 큰 부분의 히스토그램이 유사할수록 동일한 얼굴로 인식하도록 한다. 실험 결과에서 제안하는 방법은 기존의 방법에 비해 조명 변화 환경에서 높은 인식률을 보여주고 있다.
-
-
-
Sparse Logistic Regression 기반 비음수 행렬 분석을 통한 성별 인식
허동철(Dongcheol Hur),Christian Wallraven,이성환(Seong-Whan Lee) 한국정보과학회 2011 한국정보과학회 학술발표논문집 Vol.38 No.1C
얼굴 영상에서 구성요소(눈썹, 눈, 코, 입 등)의 존재에 따라 보는 사람의 얼굴 인식 정확도는 큰 영향을 받는다. 이는 인간의 뇌에서 얼굴 정보를 처리하는 과정은 얼굴 전체 영역 뿐만 아니라, 부분적인 얼굴 구성요소의 특징들도 고려함을 말한다. 비음수 행렬 분해(NMF: Non-negative Matrix Factorization)는 이러한 얼굴 영역에서 부분적인 특징들을 잘 표현하는 기저영상들을 찾아내는데 효과적임을 보여주었으나, 각 기저영상들의 중요도는 알 수 없었다. 본 논문에서는 NMF로 찾아진 기저영상들에 대응되는 인코딩 정보를 SLR(Sparse Logistic Regression)을 이용하여 성별 인식에 중요한 부분 영역들을 찾고자 한다. 실험에서는 주성분분석(PCA)과 비교를 통해 NMF를 이용한 기저영상 및 특징 벡터 추출이 좋은 성능을 보여주고, 대표적 이진 분류 알고리즘인 SVM(Support Vector Machine)과 비교를 통해 SLR을 이용한 특징 벡터 선택이 나은 성능을 보여줌을 확인하였다. 또한 SLR로 확인된 각 기저영상에 대한 가중치를 통하여 인식 과정에서 중요한 얼굴 영역들을 확인할 수 있다.
-
-
-
Hyeongsuk Ryu,Hoe-Sung Ryu,Christian Wallraven 대한시과학회 2020 대한시과학회지 Vol.22 No.3
목적 : 인공지능의 기계학습 또는 심층학습을 이용한 연구가 다양한 분야에서 시도되고 있다. 본 연구는 공공 시력데이터를 자동화 수집하고, 수집한 데이터를 기계학습에 적용 및 예측하였다. 다양한 학습모델간 성능을 비교 함으로써, 시과학분야에서 적용 가능한 기계학습 최적화모델을 제시함에 있다. 방법 : 국민건강보험(NHISS) 및 통계포털(KOSIS)에 발표된 국민 시력분포 현황관련 자료를 특정 색인을 포함하 는 자료검색기법인 크롤링(crawling)을 사용하여 검색 및 수집을 자동화하였다. 2011년부터 2018년까지 보고된 모든 자료를 수집하였으며, 데이터 학습을 위해 Linear Regression, LASSO, Ridge, Elastic Net, Huber Regression, LASSO/LARS, Passive Aggressive Regressor 그리고 Pansacregressor 총 8개 모델을 사용하여 각각 데이터 학습 하였다. 결과 : 수집한 데이터를 기반으로 기계학습 모델을 통해 2018년을 예측하였다. 각 모델간 2018년도 실제-예측데 이터 차이를 MAE(Mean Absolute Error)와 RMSE(Root Mean Square Error) 점수로 각각 나타냈다. 학습모델 별 차이 중 MAE 평가결과 모델간 우/좌 Linear Regression(0.22/0.22), LASSO(0.83/0.81), RIDGE(0.31/0.31), Elastic Net(0.86/0.84), Huber Regression(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressor (0.29/0.18) 그리고 RANSA Regressor(0.22/0.22)를 보였다. RMSE에서 Linear Regression(0.40/0.40), LASSO (1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Regression(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggressive Regressor(0.21/0.58) 그리고 RANSA Regressor(0.40/0.40) 각각 나타냈다. 결론 : 본 연구는 자동화 자료검색 및 수집을 위한 크롤링 기법을 이용하여 데이터를 수집하였다. 이를 기반으 로 고전 선형모델을 기계학습에 적용할 수 있도록 하고, 데이터 학습을 위한 8개 학습모델들 간 성능을 비교하였다. Purpose : Recently, the use of AI in research has shown widespread investigation in various fields. In this study, we performed an automated collection of vision acuity (V.A.) data, and trained mechanical learning models for prediction. By comparing performance between eight different learning models, we present a machine learning optimization model applicable in the field of vision science. Methods : Automated search and collection of data related to the national vision distribution status published in the National Health Insurance Sharing Service (NHISS) and the Korean Statistical Information Service (KOSIS) were performed through crawling, a data retrieval technique that includes specific indexes. Reported data from 2011 to 2018 were collected, and were studied using all of eight different models for data analysis such as Linear Region, LASSO, Ridge, Elastic Net, Huber Region, LASSO Lars, Passive Aggregation and Pansacrerestor. Results : V.A. of the 2018 portion of the dataset was predicted in the test session. The difference between ground truth and prediction from each model was expressed as MAE (Mean Absolute Error) and RMSE (Root Mean Square Error) scores, respectively. MAE evaluation results for model difference in Right/Left were as the following: Linear Region(0.22/0.22), LASSO(0.83/0.81), Ridge(0.31/0.31), Elastic Net(0.86/0.84), HUBER Region(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressior(0.29/0.18), and RANSA Regressor(0.22/0.22). In RMSE, it also shows Linear Region(0.40/0.40), LASSO(1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Region(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggregation Regressor(0.21/0.58), and RANSA Regressor (0.40/0.40). Conclusion : In this study, we collected data using crawling techniques for automatic data retrieval and collection. Based on the data, classical linear machine learning models were applied for prediction, and performance of the eight machine learning models was compared for performance.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
