검색 상세

컨볼루션 뉴럴 네트워크을 이용한 회화 이미지 양식 분류

Image Style Classification using Convolutional Neural Network

홍진성 (Hong, Jin Sung, 서강대학교 영상대학원)

원문보기

  • 주제(키워드) 회화 양식 분류 , CNN
  • 발행기관 서강대학교 영상대학원
  • 지도교수 이상욱
  • 발행년도 2020
  • 학위수여년월 2020. 2
  • 학위명 석사
  • 학과 및 전공 영상대학원 영상공학예술공학
  • UCI I804:11029-000000065090
  • 본문언어 한국어
  • 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록 moremore
최근 미술관박〮물관 등에서 소장품의 디지털화 작업이 이루어 지면서 디지털 아카이브의 검색 및 체계적인 분류를 위한 소프트웨어의 수요가 발생하고 있다. 본 논문은 CNN(Convolutional Neural Network)을 이용한 회화 이미지의 양식(style) 분류에 관한 연구이다. 회화 이미지의 양식(Style)은 연대순으로 서로 영향을 주고받으면서 발전되는 양상을 띄기 때문에 개별 클래스가 명확하게 구분되지 않는다. 이러한 이유로 기존 이미지 분류 알고리즘을 회화 양식에 적용하기에는 성능 면에서 한계가 있다. 이에 본 연구는 RGB 영상과 함께 Gray 영상을 CNN의 입력으로 사용하여 두 네트워크의 특성을 결합하는 방법을 사용하다. 또한 mix-up 데이터 증식을 회화 이미지 양식 분류 문제에 적용하였다. 제안된 방법을 이용하여 기존의 회화 양식 분류 연구와 비교하여 3.6% 향상된 분류 성능 결과를 얻었다
최근 미술관박〮물관 등에서 소장품의 디지털화 작업이 이루어 지면서 디지털 아카이브의 검색 및 체계적인 분류를 위한 소프트웨어의 수요가 발생하고 있다. 본 논문은 CNN(Convolutional Neural Network)을 이용한 회화 이미지의 양식(style) 분류에 관한 연구이다. 회화 이미지의 양식(Style)은 연대순으로 서로 영향을 주고받으면서 발전되는 양상을 띄기 때문에 개별 클래스가 명확하게 구분되지 않는다. 이러한 이유로 기존 이미지 분류 알고리즘을 회화 양식에 적용하기에는 성능 면에서 한계가 있다. 이에 본 연구는 RGB 영상과 함께 Gray 영상을 CNN의 입력으로 사용하여 두 네트워크의 특성을 결합하는 방법을 사용하다. 또한 mix-up 데이터 증식을 회화 이미지 양식 분류 문제에 적용하였다. 제안된 방법을 이용하여 기존의 회화 양식 분류 연구와 비교하여 3.6% 향상된 분류 성능 결과를 얻었다
초록 moremore
Due to the digitization of fine art collections, it created a demand for efficient software tools that would allow rapid retrieval and semantic categorization of art. This thesis is presents a fine art painting style classification using CNN. The style of the painting images develops as it influences each other in chronological order, so individual classes are not clearly distinguished. For this reason there is a performance limitation in applying the existing image classification algorithm to the painting style classification. In this thesis, I propose a method of utilizing features from RGB and Gray image using CNN. In addition, the mix-up data augmentation was applied to the problem of classifying painting images. The proposed method achieves 77.25% accuracy for pandora 18k dataset.
Due to the digitization of fine art collections, it created a demand for efficient software tools that would allow rapid retrieval and semantic categorization of art. This thesis is presents a fine art painting style classification using CNN. The style of the painting images develops as it influences each other in chronological order, so individual classes are not clearly distinguished. For this reason there is a performance limitation in applying the existing image classification algorithm to the painting style classification. In this thesis, I propose a method of utilizing features from RGB and Gray image using CNN. In addition, the mix-up data augmentation was applied to the problem of classifying painting images. The proposed method achieves 77.25% accuracy for pandora 18k dataset.