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 : Md Foysal Haque(포이살 하크) (검색결과 6 건)
- 무료
- 기관 내 무료
- 유료
-
Md Foysal Haque(포이살 하크),Hye-Youn Lim(임혜연),Dae-Seong Kang(강대성) 한국정보기술학회 2019 Proceedings of KIIT Conference Vol.2019 No.6
최근에 심층 컨볼루션 뉴럴 네트워크는 객체를 검출하고 분류하는데 있어서 상당한 성능을 지니고 있습니다. 레이어의 복잡성을 감소시키기 위해 향상된 네트워크 구조를 기반으로 한 연구가 많이 이루어지고 있습니다. 본 논문에서는 검출 정확도를 높이기 위해 향상된 변형 컨벌루션 뉴럴 네트워크를 제안합니다. 제안하는 방법은 공간적 특징 국소화를 사용하여 특징맵들을 분류하고 추출하기 위해 증가된 학습 모듈을 사용합니다. 여기서 네트워크는 객체 검출을 위해 최신 성능의 네트워크를 수행하는 향상된 일반화 방법으로 구성되어 있습니다. The recent years deep convolutional neural network achieved impressive performance to classify and detect objects. Lots of research contributing to improving network architecture to reduce the complexity of the layers. In this work, to improve the detection accuracy, we designed an improved deformable convolutional neural network. The deformable convolutional neural network uses augment learning module to extracts and classify the feature maps by spatial feature localization. The network consists of improved generalization method that carries the network towards the state-of-the-art performance for the object detection task.
-
Adversarial Sparsity Mapping Network to Defense Against Adversarial Attacks
Md Foysal Haque(포이살 하크),Dae-Seong Kang(강대성) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.6
적대적 네트워크는 서로 다른 이미지 처리 작업에서 우수한 정확도를 달성했다. 생성적 적대 네트워크의 핵심은 출력을 참조 이미지로써 개선하기 위해 비지도 학습 프로세스를 채택한다는 것이다. 그러나 이 네트워크는 여전히 대상을 식별하기엔 느린 학습 과정과 학습 과적합과 같은 문제에 직면해 있다. 적대적 공격은 모델이 원하는 이미지 처리 작업을 달성하기 어렵게 만든다. 본 논문은 적대적 공격으로부터 무력화하기 위해 심층 신경망인 적대적 모델을 제시한다. 제안된 모듈은 적대적 공격을 무력화하기 위해 적대적 희소성 매핑 네트워크를 채택한다. 적대적 이미지 생성 작업은 제안한 방법으로 적대적 공격에 대해 높은 견고성을 제공한다는 것을 보여준다. Adversarial networks achieved superior accuracy in different image processing tasks. The core advantage of a generative adversarial network is that it adopts an unsupervised learning process to improve the output as the reference image. However, the network still faces problems like training overfitting and the slow learning process to identify the target. These problems are conducting by adversarial attacks. Adversarial attacks create the optical illusion that makes the model mistake to achieve the desired image processing task. This paper presents an adversarial model for fusing deep neural networks from adversarial attacks. The proposed module adopts the adversarial sparsity mapping network to fusing the adversarial attacks. The adversarial image generation task has shown that the proposed defense provides high robustness against adversarial attacks.
-
Adaptive Feature Scaler Convolutional Neural Network for Object Detection
Md Foysal Haque(포이살 하크),Dae-Seong Kang(강대성) 한국정보기술학회 2019 Proceedings of KIIT Conference Vol.2019 No.11
현재 객체 탐지 분야에서 대부분의 탐지 방식은 작은 객체를 탐지하는 데 어려움을 겪는다. 작은 객체에 대한 정보를 추출하는 것은 컴퓨터 비전 분야에서 중요한 작업 중 하나이다. 원본 이미지에서 작은 부분을지역화하는 주요 방법은 피쳐 추출기를 피쳐 데이터 스케일과 함께 활용하는 것이다. 또한 분류기가 비정상적인 피쳐 정보를 융합하면 작은 객체를 포착하기 위한 탐지기 네트워크의 복잡성을 줄일 수 있다. 제안된 접근 방법에서 이러한 강화 개념을 채택하면 영상의 작은 정보를 지역화하고 탐지하기 위한 탐지 성능이 크게 향상된다. 네트워크는 피쳐 분류기와 피쳐 맵의 확장과 결합한다. In current object detection, most of the detection approaches face difficulties in detecting small objects. Extracting information about small objects is one of the crucial tasks in computer vision. The main cause of the localize the small parts of the source image is to utilize the feature extractor with scale the feature data. Moreover, fusing unusual feature information from the classifier can reduce the complexity of the network that flows the detector towards to capture small objects. Adopting these enhance concepts in the proposed approach shows significant detection performance to localize and detect small information of the image. The network combines a feature classifier with the scale-up of the feature maps.
-
Image Dehazing using Conditional Context-aware Generative Adversarial Network
Md Foysal Haque(포이살 하크),Hye-Youn Lim(임혜연),Dae-Seong Kang(강대성) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.11
기후 변화 인해 흐리고 흐린 날씨가 자주 일어나기 때문에 시야가 좁아진다. 최근 이미지 디헤이징을 위한 딥러닝 접근법의 개발에서, 이 작업은 컴퓨터 비전에서 좋지않은 성능으로 도전적인 문제로 여전히 간주된다. 본 논문에서 제안된 비지도 딥 러닝 모델인 이미지 디헤이징의 성능을 향상시킨다. 제안된 모델은 이미지 디헤이징 작업을 강화하기 위해 조건부 상황 인식 생성적 적대 네트워크를 통한 비지도 학습 방법을 채택했다. 이 모델은 희미해진 데이터와 원래의 희미하지 않은 훈련 데이터 사이의 상황 차이를 기반으로 희미함을 제거하는 방법을 학습한다. 또한 제안된 모델은 이미지의 사실적인 텍스처 정보를 생성하고 복잡한 흐릿한 이미지에 대한 시각적 대비를 향상시키기 위해 성공적인 정확도를 달성했다. Due to climate change, cloudy and hazy weather frequently occurs; therefore, this weather condition reduces visibility. In the recent development of deep learning approaches for image dehazing, the task remains considered an ill-posed and challenging problem in computer vision. Enhance the performance of image dehazing, an unsupervised deep learning model proposed in this paper. The proposed model adopted the unsupervised learning strategy with Conditional Context-aware Generative Adversarial Network to enhance the image dehazing task. The model learns to remove the haze based on the context difference between the dehazed and original haze-free training data. In addition, the proposed model achieved successive accuracy to generate realistic texture information of the image and enhance visual contrast for the complex hazy image.
-
Research on Object Detection Based on Inception and Single Shot Multi-Box Network Architecture
Md Foysal Haque(포이살 하크),Hye-Youn Lim(임혜연),Dae-Seong Kang(강대성) 한국정보기술학회 2018 Proceedings of KIIT Conference Vol.2018 No.6
SSD (Single Shot Multi-Box Detector)는 현재 객체 검출 분야에서 가장 빠른 알고리즘 중 하나이다. SSD는 단일 컨볼루션 신경망 네트워크를 사용하여 이미지의 객체를 검출한다. 깊은 신경망 네트워크의 성능은 Layer의 수가 증가함에 따라 향상되는 것으로 알려져 있다. 본 논문에서는 SSD 알고리즘의 검출 정확도를 높이기 위해 I-SSD 방법을 제안한다. 이 방법에서는 SSD의 여분의 Layer를 대체하기 위해 Inception Module을 추가 했으며, 작은 크기의 객체를 검출하기 위해 Convolution 과정에 Filter를 추가 하였다. 본 논문에서 제안하는 방법을 Inception in Single-Shot Multi-Box Detector (I-SSD)라 한다. 실험을 통해 SSD와 I-SSD의 성능 차이를 증명하였다. I-SSD 네트워크는 복잡성을 증가시키지 않고 더 많은 정보를 얻을 수 있다. Single Shot Multi-Box Detector (SSD) is one of the fastest algorithms in the current object detection field. SSD uses a single convolutional neural network to detect the object in an image. The performance of a deep neural network is known to be improved as the number of features layer increases. In this paper, we describe a method to increase SSD algorithm"s classification accuracy without any affecting on its speed and also try to find difference between SSD and I-SSD. In this method added the Inception block to replace the extra layers in SSD and also add extra filter to store more weights that help to detect more small objects from input image. Adding Inception in SSD network its call Inception Single Shot Multi-Box Detector(I-SSD). I-SSD network can catch more information without increasing the complexity.
-
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
