• 전자공학회논문지CI
• /
• 제48권1호
• /
• pp.44-50
• /
• 2011

본 논문은 다중 클래스 데이터의 효율적 분류를 위한 새로운 아다부스트 알고리즘을 제안한다. 기존의 아다부스트 알고리즘은 기본적으로 이진 분류기이므로 다중 클래스 데이터 분류의 적용에는 매우 제한적이었다. 이를 극복하기 위하여 제안된 알고리즘은 여러 개의 이진 분류기 대신 하나의 다중 분류기를 약 분류기로 사용함으로써 학습시간을 단축시키고 안정적인 정확도를 얻을 수 있는 장점이 있다. 제안하는 알고리즘의 성능을 평가하기 위하여 Caltech 영상 데이터베이스에서 4가지클래스의 영상 데이터를 총 800개 수집하여 영상 분류 실험을 진행하였다. 실험의 결과 제안된 다중 클래스 아다부스트 알고리즘은 Adaboost.M2 알고리즘에 비해 분류정확도는 대등한 결과를 얻었지만, 학습시간을 학습단계에 따라 83.1%까지 감소시킬 수 있었다.

• 전자공학회논문지CI
• /
• 제47권3호
• /
• pp.22-28
• /
• 2010

최근 기계학습 분야에서 커널머신을 이용한 대표적 분류기로 Adaboost가 주목받고 있다. Adaboost는 통계적 학습이론에 기반하여 뛰어난 일반화 성능을 보여주며, 다양한 패턴인식 문제에 적용되고 있다. 그러나, Adaboost는 이진 분류기이므로 다중표적 분류 문제에 곧바로 적용할 수 없다. 일반적으로 다중 분류 문제를 해결하는 기법으로 One-Vs-All 기법과 Pair-Wise 기법이 대표적이다. 이러한 두 기법은 다중 분류 문제를 여러 개의 이진 분류 문제로 분할하고, 이들을 다시 종합하여 최종 결정을 내리는 출력코딩이라는 일반적인 기법으로 실제 시스템 구성에 적합할만한 분류 성능을 보여주지 못하는 경우가 대부분이다. 본 논문에서는 이진 분류기인 Adaboost의 다중 분류 확장 방안으로 원형 기반 함수를 약한 분류기로 이용하는 Adaboost 기반 다중표적 분류 기법을 제안한다.

• 대한지리학회지
• /
• 제39권5호
• /
• pp.786-803
• /
• 2004

최근, 다중 센서 영상과 GIS 주제도 정보를 이용한 토지 피복 분류에 대해 관심이 증가하고 있는 추세이다. 그러나. 분류에 필요한 효과적인 GIS 정보를 충분히 보유하고 있음에도 불구하고, 최대우도법(MLE) 같은 전통적인 방법은 기존의 컴퓨터 프로그램들이 GTS 자료를 제대로 다룰 수 없다는 이유로 유용한 정보의 이용에 제한을 받아 왔다. 본 연구에서는 다중 파장대 및 다중 시기 영상을 이용하여 새로운 영상 분류기법을 제안하고자 한다. 특히 MLE기법을 확대하여 다중 스펙트럼 영상 자료 및 토지 피복 분류 자료 등을 함께 사용할 수 있도록 하였다. 또한 파라미터가 데이터에서 추정되는 경우 우도비(LRE) 추정법이 오히려 더 적합할 수 있어서 LRE기법도 함께 사용하였다. 연구 지역은 서해안 안면도 지역이며, 자료는 Landsat ETM+ 영상과 Landsat TM 영상을 이용하여 만든 토지 피복도이다. 연구 결과. 제안된 방법은 단일 스펙트럼 자료를 사용하는 것보다 현저히 개선된 분류 정확도를 나타낸다. 즉, 개선된 분류 영상들은. MLE를 사용했을 때는 $6.2\%$, LRE를 사용했을 때는 $9.2\%$의 분류 정확도 개선을 보였다. 또한 본 연구는 제시된 알고리즘이 토지 피복 변화에 따른 그 지역의 변화 지역 추출도 가능할 것으로 판단된다. 향후 토지피복 분류 결과는 실 세계에서 보다 정확한 의사결정을 위한 보완적인 자료로써 유용하게 사용될 수 있을 것이라는 판단된다.

• 전기학회논문지
• /
• 제58권7호
• /
• pp.1424-1434
• /
• 2009

DNA computing-inspired pattern classification based on the hypernetwork model is a novel approach to pattern classification problems. The hypernetwork model has been shown to be a powerful tool for multi-class data analysis. However, the ordinary hypernetwork model has limitations, such as operating sequentially only. In this paper, we propose a efficient implementing method of DNA computing-inspired pattern classifier using GPU. We show simulation results of multi-class pattern classification from hand-written digit data, DNA microarray data and 8 category scene data for performance evaluation. and we also compare of operation time of the proposed DNA computing-inspired pattern classifier on each operating environments such as CPU and GPU. Experiment results show competitive diagnosis results over other conventional machine learning algorithms. We could confirm the proposed DNA computing-inspired pattern classifier, designed on GPU using CUDA platform, which is suitable for multi-class data classification. And its operating speed is fast enough to comply point-of-care diagnostic purpose and real-time scene categorization and hand-written digit data classification.

• 지능정보연구
• /
• 제27권3호
• /
• pp.175-197
• /
• 2021

최근 딥 러닝 기술의 발전으로 뉴스, 블로그 등 다양한 문서에 포함된 텍스트 분석에 딥 러닝 기술을 활용하는 연구가 활발하게 수행되고 있다. 다양한 텍스트 분석 응용 가운데, 텍스트 분류는 학계와 업계에서 가장 많이 활용되는 대표적인 기술이다. 텍스트 분류의 활용 예로는 정답 레이블이 하나만 존재하는 이진 클래스 분류와 다중 클래스 분류, 그리고 정답 레이블이 여러 개 존재하는 다중 레이블 분류 등이 있다. 특히, 다중 레이블 분류는 여러 개의 정답 레이블이 존재한다는 특성 때문에 일반적인 분류와는 상이한 학습 방법이 요구된다. 또한, 다중 레이블 분류 문제는 레이블과 클래스의 개수가 증가할수록 예측의 난이도가 상승한다는 측면에서 데이터 과학 분야의 난제로 여겨지고 있다. 따라서 이를 해결하기 위해 다수의 레이블을 압축한 후 압축된 레이블을 예측하고, 예측된 압축 레이블을 원래 레이블로 복원하는 레이블 임베딩이 많이 활용되고 있다. 대표적으로 딥 러닝 모델인 오토인코더 기반 레이블 임베딩이 이러한 목적으로 사용되고 있지만, 이러한 기법은 클래스의 수가 무수히 많은 고차원 레이블 공간을 저차원 잠재 레이블 공간으로 압축할 때 많은 정보 손실을 야기한다는 한계가 있다. 이에 본 연구에서는 오토인코더의 인코더와 디코더 각각에 스킵 연결을 추가하여, 고차원 레이블 공간의 압축 과정에서 정보 손실을 최소화할 수 있는 레이블 임베딩 방법을 제안한다. 또한 학술연구정보서비스인 'RISS'에서 수집한 학술논문 4,675건에 대해 각 논문의 초록으로부터 해당 논문의 다중 키워드를 예측하는 실험을 수행한 결과, 제안 방법론이 기존의 일반 오토인코더 기반 레이블 임베딩 기법에 비해 정확도, 정밀도, 재현율, 그리고 F1 점수 등 모든 측면에서 우수한 성능을 나타냄을 확인하였다.

• 한국멀티미디어학회논문지
• /
• 제11권7호
• /
• pp.1035-1042
• /
• 2008

이진 분류기로서 지지벡터기계는 다양한 응용을 통해 이진 분류 문제에서 기존의 패턴 분류기들보다 우수한 성능을 보였다. 지지벡터기계의 바탕이 되는 최대 마진 분류 이론을 다중 분류 문제에 확장은 어려움이 있다. 이 논문에서는 다중 분류 문제를 위한 지지벡터기계의 학습 전략을 논의하였으며 성능 비교를 수행하였다. 학습 데이터의 분배 전략에 따라 지지벡터기계는 고유의 이진 분류 특징을 수정하지 않고 다중분류 문제에 쉴게 적용될 수 있다. 다양한 벤치마킹 데이터에 대해 선택된 학습 전략, 커널함수, 학습 소요시간 등에 따라 성능비교가 수행되었고 오류역전파 학습의 신경망의 테스트 결과와 비교되었다. 신경망 모델과 비교 실험에서 지지벡터기계는 일반적인 다중 분류 문제에 응용성과 효과가 있음을 보였다.

• IEIE Transactions on Smart Processing and Computing
• /
• 제5권1호
• /
• pp.17-21
• /
• 2016

This paper investigates the importance of the computational overhead when machine learning methods, such as SVM, LASSO, AdaBoosting and AdaBagging, are used for automatic security classification.

• 대한원격탐사학회지
• /
• 제20권4호
• /
• pp.275-288
• /
• 2004

이 논문은 다중 센서 원격탐사 화상의 분류를 위해 퍼지 논리 융합과 결합된 relaxation labeling 방법을 제안하였다. 다중 센서 원격탐사 화상의 융합에는 퍼지 논리를, 분광정보와 공간정보의 융합에는 반복적인 relaxation labeling 방법을 적용하였다. 특히 반복적 relaxation labeling 방법은 공간정보의 이용에 따른 분류 화소의 변화양상을 얻을 수 있는 장점이 있다. 토지 피복의 감독 분류를 목적으로 광학 화상과 다중 주파수/편광 SAR 화상에 제안 기법을 적용한 결과, 다중 센서 자료를 이용하고 공간정보를 함께 결합하였을 때 향상된 분류 정확도를 얻을 수 있었다.

• 산업공학
• /
• 제24권2호
• /
• pp.97-104
• /
• 2011

Research for multi-variate classification has been studied through two kinds of procedures which are feature selection and classification. Feature Selection techniques have been applied to select important features and the other one has improved classification performances through classifier applications. In general, each technique has been independently studied, however consideration of the interaction between both procedures has not been widely explored which leads to a degraded performance. In this paper, through integrating these two procedures, classification performance can be improved. The proposed model takes advantage of KBANN (Knowledge-Based Artificial Neural Network) which uses prior knowledge to learn NN (Neural Network) as training information. Each NN learns characteristics of the Feature Selection and Classification techniques as training sets. The integrated NN can be learned again to modify features appropriately and enhance classification performance. This innovative technique is called ALBNN (Algorithm Learning-Based Neural Network). The experiments' results show improved performance in various classification problems.

• 대한의용생체공학회:학술대회논문집
• /
• 대한의용생체공학회 1998년도 추계학술대회
• /
• pp.255-256
• /
• 1998

In this paper, we propose the multi-axial classification system using parallel coding method that is systemic and flexible properties for representing dental clinical behavior. The methodology and organization of this thesis as follows. First, an analysis of other classification systems. Second, the domain of medical behavior and axises using selected elements was were determined. Third, the new code system is constructed of these common factors in properties of prediction of hierarchy, brevity, simplicity, flexibility and mnemonic usage. Finally, the framework of classification system for dental was made using multi-axial code system. The result of the this study, the eight bases axis of multi-axial code system is composed and can be basic information of research for construction of classification system of all medical domain.