총 19개
-
딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리2025.01.141. 딥러닝 기반 EEG 분석 딥러닝 기법들은 동작상상, 감정인식 등 EEG 데이터 분류 작업에서 우수한 성능을 보인다. 딥러닝 알고리즘은 EEG 데이터 수집과 전처리, 딥러닝 모형 학습, 신호 분류 및 해석의 과정으로 구성된다. 전처리 과정에서는 입력받은 뇌파 신호를 분류하기 쉬운 형태로 바꿔주어 분류의 정확도를 높여야 한다. 2. EEG분석을 위한 딥러닝 기법 EEG 분석을 위한 딥러닝 기법에는 CNN, RNN, GAN, Autoencoder 등이 있다. 입력되는 데이터의 특징에 따라 CNN보다 RNN이 자극에 의한 변화를 인식...2025.01.14
-
AI 기반 컴퓨터 비전 기술을 활용한 의료 서비스 평준화2025.01.021. AI 기반 컴퓨터 비전 기술의 의료 적용 고령화 사회에서 건강과 의료에 대한 관심이 높아지고 있지만, 실질적으로 양질의 의료 서비스를 받기 위해서는 특정 병원에 대한 의존도가 높아지고 있습니다. 이에 컴퓨터 비전 기술을 활용하여 지역과 관계없이 동일한 진료 기준으로 질환을 판정할 수 있는 시스템을 구축하여 모두가 평등한 의료 서비스를 받을 수 있는 환경을 만드는 것이 필요합니다. 1. AI 기반 컴퓨터 비전 기술의 의료 적용 AI 기반 컴퓨터 비전 기술은 의료 분야에서 매우 유망한 기술로 주목받고 있습니다. 이 기술은 의료 영...2025.01.02
-
딥러닝 기반 작물 개체 통합 시스템2025.12.131. ResNet 모델 ResNet은 Microsoft Research Institute에서 제안한 깊은 신경망으로, 152개 계층의 구조를 가지고 있습니다. 바로 가기 연결과 ID 매핑을 CNN에 추가하여 잔여 학습이라는 새로운 학습 방법을 도입했습니다. 입력과 출력을 결합하여 가중치 계층을 훈련시키는 방식으로, 단축 연결을 통해 기존 CNN과 비교하여 덧셈 계산만 추가되는 효율적인 구조입니다. 2. Faster R-CNN 모델 Faster R-CNN은 객체 검출을 위한 개선된 알고리즘으로, 기존 R-CNN의 계산 비효율성을 해결...2025.12.13
-
CNN을 활용한 안저 이미지 기반 안과 질환 스크리닝 및 렌즈 처방 연구2025.12.211. 합성곱 신경망(CNN)의 의료 영상 분석 응용 CNN은 이미지 데이터 처리에 특화된 딥러닝 아키텍처로, 합성곱층, 풀링층, 완전연결층으로 구성됩니다. 필터를 사용하여 입력 이미지의 지역적 특징을 추출하고 특징맵을 생성하며, 비선형 활성화 함수를 거쳐 계층적으로 학습합니다. ResNet 아키텍처는 잔차연결을 통해 깊은 신경망에서의 기울기 소실 문제를 해결하여 안저 이미지의 미세한 질환 징후 포착에 효과적입니다. 2. 초기 안과 질환의 특징 및 안저 이미지 진단 당뇨병성 망막증은 망막 혈관 손상으로 미세동맥류, 망막 출혈, 경성 ...2025.12.21
-
AI 기반 안저 이미지 분석을 통한 안질환 조기 진단2025.12.211. 당뇨망막병증(DR) 진단 당뇨병으로 인해 망막의 미세혈관이 손상되어 발생하는 질환입니다. 초기에는 미세혈관류, 출혈, 경성 삼출물 등이 나타나며, 진행될수록 신생혈관이 자라나 실명을 유발합니다. AI는 CNN을 통해 이러한 초기 미세 병변을 인간의 눈보다 빠르고 객관적으로 식별하며, 비증식성 당뇨망막병증(NPDR) 단계에서 특히 뛰어난 효과를 보입니다. 최신 AI 모델들은 95% 이상의 민감도와 특이도를 달성하고 있습니다. 2. 컨볼루션신경망(CNN) 기술 AI가 안저 이미지를 분석하는 핵심 기술로, 딥러닝의 한 종류입니다. ...2025.12.21
-
AI 오디오 파일 학습을 통한 자동 검사 모델 개발2025.11.131. LSTM 신경망 모델 RNN 모델의 Vanishing Gradient 문제를 개선한 LSTM(Long Short-Term Memory) 모델은 시계열 데이터 분석에 효과적입니다. 오디오 데이터는 시간에 따라 변하는 연속적인 신호로서 시계열 데이터이며, STFT_dB 데이터셋을 사용한 LSTM 모델이 99.0%의 정확도로 가장 우수한 성능을 보였습니다. 이 모델은 Precision 100.0%, Recall 93.3%, F1 Score 96.7%, AUC 99.6%의 평가 지표를 달성했습니다. 2. 오디오 신호 전처리 기법 원본...2025.11.13
-
인공지능의 이미지 인식과 생성 원리 및 활용2025.12.211. 합성곱 신경망(CNN) CNN은 인간의 시각 시스템을 모방하여 설계된 딥러닝 모델로, 이미지 데이터를 효율적으로 처리합니다. 합성곱 층에서 필터가 이미지를 스캔하여 에지, 코너, 텍스처 등의 특징을 추출하고, 풀링 층에서 특징 맵의 크기를 줄입니다. 초기 층에서는 저수준 특징(선, 점, 색상)을 학습하고, 후반 층으로 갈수록 고수준 특징(눈, 코, 입 등)을 학습합니다. 역전파 알고리즘을 통해 손실 함수를 최소화하는 방향으로 가중치와 편향이 조정되어 이미지 인식 성능을 향상시킵니다. 2. 생성적 적대 신경망(GAN) GAN은 ...2025.12.21
-
의료 영상 분석에서의 컴퓨터비전 활용2025.12.191. 딥러닝 기반 의료 영상 분석 합성곱 신경망(CNN)은 방대한 영상 데이터로부터 자동으로 특징을 학습하여 기존 기법을 압도하는 성능을 보여주었다. U-Net은 의료 영상 분할에 특화된 구조로 종양이나 병변의 위치를 픽셀 단위로 정밀하게 예측할 수 있다. 3차원 CNN은 CT나 MRI와 같이 다차원 데이터를 처리하는 데 효과적이며, 최근에는 트랜스포머 기반 네트워크와 자기지도학습이 적용되어 데이터 효율성을 높이고 있다. 2. 의료 영상 모달리티와 응용 엑스레이는 폐 질환, 골절 진단에 활용되며 AI가 폐결절 검출을 자동화한다. C...2025.12.19
-
텐서플로우 딥러닝 (CNN)2025.05.051. 데이터 세트 학습 데이터에 사용할 영상은 Google에서 이미지 검색으로 꽃을 검색하고, FatKun이라는 크롬 확장 프로그램을 사용하여 영상을 다운로드 받았다. 테스트 데이터에 사용할 영상은 꽃을 직접 구입하여 촬영한 영상 데이터를 사용했다. 학습 데이터는 총 234개, 테스트 데이터는 총 150개이며, 검증 데이터는 훈련데이터의 20%를 사용하여 총 57개이다. 2. 합성곱 신경망 (CNN) 기본적으로 이미지 분류를 하기 위해서는 합성 곱 신경망(CNN)이 필요하다. 2차원 CNN의 특징 추출 부분은 MaxPool2D층과 ...2025.05.05
-
CNN을 이용한 이미지 분류-일반 농산물과 GMO의 구분2025.01.281. GMO 농산물 구분 연구에서는 CNN(Convolutional Neural Network)을 이용하여 일반 농산물과 GMO 농산물을 구분하는 방법을 제안하고 있습니다. 연구자는 샤인머스캣 잎과 포도 잎의 이미지를 수집하여 CNN 모델을 학습시켰고, 이를 통해 약 68%의 정확도로 GMO와 일반 농산물을 구분할 수 있었습니다. 이를 통해 소비자들이 GMO 식품 여부를 쉽게 확인할 수 있도록 하고자 하였습니다. 2. 딥러닝을 이용한 이미지 분류 연구에서는 딥러닝 기술 중 하나인 CNN을 활용하여 이미지 분류 문제를 해결하고자 하였...2025.01.28
1 / 2
