A Deep Multi-task Learning for Multi-Attribute Recognition Considering Attribute Relationship : 속성간 관계를 고려한 다중속성인식을 위한 심층다중학습
본 논문에서는 다중속성인식을 위해 속성간 관계를 고려하는 심층 다중작업학습 방법을 제안하였다. 속성이란 하나의 대상에 대한 요소적인 정보로, 속성인식은 주어진 입력 데이터로부터 인식대상이 되는 속성을 가지는지를 판단하는 문제이다. 기계학습 기술의 발달에 따라 속성인식 분야에서는 기존의 단일속성인식에 더하여 다양한 속성들을 인식하고자 하는 다중속성인식에 대한 요구가 증가되고 있다.
기존의 속성인식 연구들에서는 각 속성마다의 단일 인식기를 개발하여 인식하는 방법이 주를 이루어 왔으나, 최근의 여러 다중속성인식 연구에서는 하나의 신경망에서 여러 작업(task)들을 함께 학습시킴으로써 모든 작업에 대한 인식성능을 향상시키는 다중작업학습이 필수적으로 적용되고 있다. 다중속성인식에서 다중작업학습을 통해 인식성능을 향상시키기 위해서는 서로 연관된 속성들을 함께 학습시키는 것이 중요한데 기존의 대부분의 연구들에서는 이를 고려하지 않거나, 특정 문제에 제한적인 방법들이 제안되었다.
이에 본 논문에서는 먼저 속성간의 배타적 관계를 이용하여 속성들을 그룹화하여 하나의 작업으로 만들어 학습시키는 방법을 제안하였다. 예를 들어, 얼굴 이미지 데이터가 주어졌을 때, 사람의 눈은 파란색, 검정색, 녹색 등 여러 눈의 색 중 하나만 가질 수 있고, 이는 피부색이나 성별의 경우에도 마찬가지다. 이러한 속성들은 서로 동시에 발생할 수 없는 상호배타적 관계에 있고, 이러한 관계의 속성들을 하나의 작업으로 묶어 학습시킨다. 그러나 이 방법은 속성간의 배타적 관계를 반영하지만 속성들이 묶인 각 작업들은 서로 독립적인 관계에 있음을 가정하였을 때 적용 가능한 방법이다. 현실 문제에서는 여러 속성들이 서로 연관되어 있는 경우가 많다. 앞서 예를 든 눈의 색과 인종의 경우, 파란 눈을 가지면 백인일 확률이 높아지고, 이런 관계는 머리 색이 금발일 경우에도 적용된다.
따라서 이러한 속성간의 관계를 학습에 적용하기 위하여 속성간의 결합확률 변수를 이용한 학습방법을 제안하였다. 이를 위하여 인식하고자 하는 속성들을 묶어서 새로운 목표 출력값을 만듦으로써, 신경망의 각 출력 노드가 인식하고자 하는 모든 속성들의 결합값에 의해 결정되는 출력노드가 되도록 한다. 이는 기존의 출력 노드들이 각각 하나의 속성에 대한 노드로 사용되었던 방법과 차별되는 방법이다. 속성간 결합확률변수를 적용한 학습방법을 통하여, 입력 데이터와 인식하고자 하는 속성의 종류에 관계없이 자동으로 속성간의 관계를 반영한 학습을 수행할 수 있다는 장점이 있다.
본 논문에서는 제안하는 두 가지 학습 방법을 얼굴속성데이터에 적용하여 실험을 수행하고 성능을 분석하였다. 먼저 각각의 속성에 대한 단일작업학습을 수행하여 기존의 분류 알고리즘인 최근접이웃분류기와 다층퍼셉트론과의 성능을 비교하여 제안한 신경망이 훨씬 좋은 성능을 보임을 검증하였다. 이어서 2개의 작업에 대한 다중작업학습을 통하여 제안하는 방법들이 단일작업학습에 비해 대체적으로 성능이 좋음을 확인하였고, 각 작업에 따라 제안하는 두 방법에서의 성능이 차이를 보임을 알 수 있었다. 이를 기반으로 3개 이상의 작업에 대한 다중작업학습과 제안하는 두 방법들을 동시에 적용한 실험들을 바탕으로, 속성간 관계를 고려한 다중작업학습이 효과적임을 보였다.
결론적으로, 본 논문에서 제안하는 두 방법들을 작업에 따라 적절히 조합하여 다중작업학습에 적용함으로써 얼굴데이터에 대한 다중속성인식에서 속성간의 관계를 고려한 학습의 효용성을 검증하였다. 하지만 속성간 결합확률을 이용한 학습 방법은 인식하고자 하는 속성의 개수가 증가함에 따라 필요한 출력 노드의 수가 급증하는 문제가 있으며, 제안한 두 방법들이 어떤 속성에서 적용되어야 하는지에 대한 명확한 기준이 없다는 점에서 제한적이다. 앞으로의 연구에서는 여러 다른 속성데이터들에서의 실험을 통해 제안하는 방법의 효용성에 대한 검증이 필요할 것이다.
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)