Smart Media Journal (스마트미디어저널)

THE KOREAN INSTITUTE OF SMART MEDIA (한국스마트미디어학회)
권호 표지
DOI QR코드

DOI QR Code

A study on classification of textile design and extraction of regions of interest

텍스타일 디자인 분류 및 관심 영역 도출에 대한 연구

  • 채승완 (계명대학교 경영정보학과) ;
  • 이병우 (계명대학교 경영정보학과) ;
  • 이우창 (다이텍연구원 테스트베드연구센터) ;
  • 이충권 (계명대학교 경영정보학과)
  • Received : 2021.01.04
  • Accepted : 2021.03.10
  • Published : 2021.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Grouping and classifying similar designs in design increase efficiency in terms of management and provide convenience in terms of use. Using artificial intelligence algorithms, this study attempted to classify textile designs into four categories: dots, flower patterns, stripes, and geometry. In particular, we explored whether it is possible to find and explain the regions of interest underlying classification from the perspective of artificial intelligence. We randomly extracted a total of 4,536 designs at a ratio of 8:2, comprising 3,629 for training and 907 for testing. The models used in the classification were VGG-16 and ResNet-34, both of which showed excellent classification performance with precision on flower pattern designs of 0.79%, 0.89% and recall of 0.95% and 0.38%. Analysis using the Local Interpretable Model-agnostic Explanation (LIME) technique has shown that geometry and flower-patterned designs derived shapes and petals from the region of interest on which classification was based.

디자인에 있어서 유사한 디자인들을 그룹핑하여 분류하는 것은 관리적인 측면에서 효율성을 높여주고 사용적인 측면에서는 편의성을 제공한다. 본 연구는 인공지능 알고리즘을 이용하여 텍스타일 디자인을 도트, 꽃무늬, 줄무늬, 그리고 기하학으로 4개의 카테고리로 분류하고자 하였다. 특히, 인공지능의 관점에서 분류의 근거가 되는 관심 영역을 찾아내고 설명할 수 있는 지를 탐색하였다. 총 4,536개의 디자인을 8:2의 비율로 무작위 추출하여 학습용 데이터 3,629개와 테스트용 데이터 907개로 구성하였다. 분류에 사용된 모델은 VGG-16과 ResNet-34로 두 모델의 꽃무늬 디자인에 대한 정밀도는 각각 0.79%, 0.89%이며, 재현율은 0.95%, 0.38%로 우수한 분류 성과를 보였다. LIME(Local Interpretable Model-agnostic Explanation) 기법을 이용하여 분석한 결과에 따르면, 기하학과 꽃무늬 디자인의 경우 도형과 꽃잎 부분이 분류의 근거가 되는 관심 영역으로 도출되었다.

Keywords

Acknowledgement

이 논문은 2021년도 한국산업기술진흥원 산업기술기반구축혁신사업의 지원을 받아 수행된 연구임 (No, P0014711).

References

  1. 이은욱, "국내 텍스타일 디자인의 분류 유형에 관한 연구," 한국디자인문화학회지, 제13권, 제3호, 271-280쪽, 2007년 9월
  2. 조배문, 한왕모, "텍스타일 디자인의 형식 분류 체계 구축," 한국디자인문화학회지, 제25권, 제4호, 485-494쪽, 2019년 12월
  3. 김나연, 신윤희, 김수정, 김지인, 정갑주, 구현진, 김은이, "신경망을 이용한 텍스타일 영상에서의 감성인식 시스템," 정보과학회논문지, 소프트웨어 및 응용, 제34권, 제9호, 869-879쪽, 2007년 9월
  4. Y. LeCun, Y. Bengio, and G. Hinton, "Deeplearning," Nature, Vol. 521, No. 7553, pp. 436-444, May 2015. https://doi.org/10.1038/nature14539
  5. G. Montavon, W. Samek, and K.R. Muller, "Methods for interpreting and understanding deep neural networks," Digital Signal Processing, Vol. 73, pp. 1-15, Feb. 2018. https://doi.org/10.1016/j.dsp.2017.10.011
  6. 박선, 김종원, "오픈 소스 기반의 딥러닝을 이용한 적조생물 이미지 분류," 스마트미디어저널, 제7권, 제2호, 34-39쪽, 2018년 6월 https://doi.org/10.30693/SMJ.2018.7.2.34
  7. K. Simonyan, A. Zisserman, "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409.1556, Sep. 2014.
  8. K. He, X. Zhang, S. Ren, J. Sun, "Deep residual learning for image recognition," In Proceedings of the IEEE conference on computer vision and pattern recognition, Vol. 1, pp. 770-778, Las Vegas, USA, Jun. 2016.
  9. M.T. Ribeiro, S. Singh, C. Guestrin, "Why should I trust you? Explaining the predictions of any classifier," In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pp. 1135-1144, San Francisco, USA, Aug. 2016.
  10. 정찬일, 이후진, "프로세스 분석을 위한 설명 가능한 인공지능 기법 비교 연구," 전자공학회논문지, 제57권, 제8호, 51-59쪽, 2020년 8월
  11. 류권상, 박호성, 최대선, "딥러닝 기반 얼굴인식 모델에 대한 변조 영역 제한 기만공격," 정보보호학회지, 제29권, 제3호, 44-50쪽, 2019년 6월
  12. 윤주성, 박종철, 하종수, 안진현, 김현철, "Attention과 LIME 기법을 활용한 순환신경망의 의사결정 요인 분석," 한국컴퓨터교육학회 학술발표대회논문집, 제21권, 제2호, 253-256쪽, 청주, 한국, 2017년 8월
  13. 이병우, 이우창, 채승완, 김동현, 이충권, "딥러닝 기반 이미지 특징 추출 모델을 이용한 유사 디자인 검출에 대한 연구," 스마트미디어저널, 제9권, 제4호, 162-169쪽, 2020년 12월
  14. 서다솜, 오강한, 오일석, 유태웅, "딥러닝 설명을 위한 슈퍼픽셀 제외.포함 다중스케일 접근법," 스마트미디어저널, 제8권, 제2호, 39-45쪽, 2019년 6월 https://doi.org/10.30693/smj.2019.8.2.39