Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | 박태준 | - |
dc.contributor.author | 이민기 | - |
dc.date.accessioned | 2023-05-11T11:54:08Z | - |
dc.date.available | 2023-05-11T11:54:08Z | - |
dc.date.issued | 2023. 2 | - |
dc.identifier.uri | http://hanyang.dcollection.net/common/orgView/200000653433 | en_US |
dc.identifier.uri | https://repository.hanyang.ac.kr/handle/20.500.11754/179801 | - |
dc.description.abstract | 인공지능 모델 구축 프로젝트 파이프라인 중 하나인 학습 데이터 라벨링 작업 은 인공지능 모델의 품질을 결정할 정도로 중요한 작업이다. 많은 기업이 양질의 데이터셋을 대량으로 필요로 하고 있으며 인공지능 산업에서는 이러한 데이터셋 을 빠르고 정확하게 가공할 수 있는 시스템의 수요가 늘고 있다. 하지만 기존의 라벨링 시스템에서는 사용자가 각 객체들을 수작업으로 분할을 해야 하기 때문에 많은 인력과 비용이 소모된다. 이를 해결하기 위해 라벨링 방법에 대한 연구가 지속적으로 이루어지고 있지만 기존 라벨링 방법들은 특정 클래스만 학습한 모델을 사용하여 분할하기 때문에 한 종류에 종속적이게 된다. 이러한 라벨링 시스템들은 하나의 목적으로 학습된 모델을 사용하여 클래스와 무관한 분할을 하지 못하며 새로운 환경의 데이터에서 는 시스템을 위한 데이터 학습이 필요한 상황이 생기게 된다. 본 논문에서는 GrabCut 알고리즘과 ExtremeCut, MViTs 딥러닝 모델을 사용하 여 총괄적 분할을 위한 클래스에 무관한 주석 방법을 제안한다. 제안하는 방법은 딥러닝 모델을 활용하여 사용자와의 상호작용을 통해 객체 분할을 자동으로 하며 라벨링에 소모되는 시간을 줄일 수 있는 방법이다. 분할이 완료된 객체를 mask로 저장하여 다른 기능을 사용할 때 mask를 backgound seed로 입력하여 객체 분할 에 영향을 주는 방법을 적용하여 사용자의 클릭 횟수를 줄일 수 있다.[21] 이 방법의 성능을 확인 하기 위해 웹 기반 프로그램을 제작하여 사용자에게 직 접 실험하였고 하였고 mIoU를 측정한 결과 기존 수동 라벨링과 비교하여 객체 분할 품질이 감소하지 않았으며 라벨링 시간을 측정하여 13% 감소하였다. 이 연 구는 고품질의 학습 데이터를 적은 인력과 비용으로 생산하여 인공지능 산업이 더욱 발전도 기대 할 수 있다. | - |
dc.publisher | 한양대학교 | - |
dc.title | 판옵틱 분할을 위한 상호작용 및 클래스 무관한 주석 방법 | - |
dc.title.alternative | An Interactive and Class-agnostic Annotation Method for Panoptic Segmentation | - |
dc.type | Theses | - |
dc.contributor.googleauthor | 이민기 | - |
dc.sector.campus | S | - |
dc.sector.daehak | 대학원 | - |
dc.sector.department | 인공지능융합학과 | - |
dc.description.degree | Master | - |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.