움직임 인식응용을 위한 커널 밀도 추정 기반 학습용 데이터 증폭 기법 = Data Augmentation using a Kernel Density Estimation for Motion Recognition Applications

국문 초록 (Abstract)

머신러닝(ML, Machine Learning)기반 응용에서의 인식성능은 적용된 모델의 종류와 크기, 학습환경 및 학습에 사용되는 데이터 등 다양한 요인에 따라 결정된다. 특히 학습에 사용되는 데이터가 충분치 않을 경우 인식성능이 저하되거나 과적합(Overfitting)등의 문제가 발생하기도 한다. 이미지 인식을 주요 대상으로 하는 기존 연구들은 학습을 위한 데이터셋이 풍부하고 검증된 데이터셋을 사용하여 학습 및 인식성능을 평가할 수 있다. 하지만 사용된 센서, 인식의 대상, 인식 상황이 다른 특정 응용들의 경우 데이터셋을 직접 구축해야 한다. 이런 경우, ML모델의 성능은 데이터의 양과 품질에 따라 달라진다. 본 논문에서는 이용 가능한 학습용 데이터가 충분치 않은 움직임 인식응용에 효율적으로 사용될 수 있는 비모수 추정 방식의 일종인 커널 밀도 추정 알고리즘을 사용하여 학습용 데이터를 증폭한 후, 사용된 커널의 종류에 따라, 원본 데이터의 수 및 증폭 비율에 따라 증폭된 데이터가 원본 데이터의 특징을 잘 반영하는지 인식 정확도 변화를 토대로 비교 분석한다. 실험결과, 본 연구에서 사용한 움직임 인식응용에서는 좁은 대역폭을 가진 Tophat 커널로 증폭된 데이터셋에서 최대 14.31%의 인식 정확도 향상을 확인하였다.

참고문헌 (Reference)

1 김규한 ; 정희명 ; 이흥석 ; 이화석 ; 김형수 ; 박준호, "오토인코더기반의 신호재구성모델을 이용한 화력발전소 고장검출" 대한전기학회 69 (69): 800-807, 2020

2 Deng, L., "The mnist database of handwritten digit images for machine learning research" 29 (29): 141-142, 2012

3 "Scikit-learn"

4 Izenman, A. J., "Review Papers: Recent Developments in Nonparametric Density Estimation"

5 Krizhevsky, A, "Learning multiple layers of features from tiny images" University of Toronto 2009

6 Deng, J, "ImageNet: A Large-Scale Hierarchical Image Database"

7 Goodfellow, Ian J, "Generative Adversarial Networks"

8 Jung, W, "Energy–Accuracy Aware Finger Gesture Recognition for Wearable IoT Devices" 2022

9 Zhu, X., "Do We Need More Training Data?"

10 Bank, D, "Autoencoders"

11 Wang, H, "A Bayesian Scene-Prior-Based Deep Network Model for Face Verification" 2018