메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
송무건 (국립목포대학교) 신영학 (국립목포대학교)
저널정보
한국지능시스템학회 한국지능시스템학회 논문지 한국지능시스템학회 논문지 제35권 제2호
발행연도
2025.4
수록면
121 - 129 (9page)
DOI
10.5391/JKIIS.2025.35.2.121

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
본 논문에서는 라벨 데이터가 제한적인 환경에서 효과적으로 대장내시경 용종 분할 문제를 해결하기 위한 반지도학습 방법을 연구하였다. 기존 Mean Teacher 방식을 기반으로 Confidence 기반의 합성 증강 기법과 사전학습 단계를 결합한 새로운 학습 방법을 제안하였다. 제안된 Confidence 기반의 합성 증강 기법은 두 단계로 진행된다. 첫 번째 단계에서는 Confidence를 활용해 모델이 예측하기 어려운 언라벨 데이터에만 Copy-Paste 증강을 적용하여 라벨 정보를 선택적으로 제공하고, 이를 통해 학습 효율을 높였다. 두 번째 단계에서는 Cutmix 증강을 활용해 학습 데이터의 분포를 다양화하여 모델의 일반화 성능을 개선하였다. 이러한 설계를 통해 라벨 데이터와 언라벨 데이터 간의 불필요한 합성을 줄이고, 라벨 데이터에 편향되지 않도록 하였으며, 학습 과정에서 다양한 데이터 패턴을 학습할 수 있는 환경을 조성하였다. 또한, 사전학습 단계는 라벨 데이터만을 활용해 초기 teacher 모델의 성능을 강화하고 pseudo label의 품질을 개선하였다. 실험 결과, 본 논문에서 제안한 방법은 지도학습 방법, 기존 Copy-Paste 기반 반지도학습 방법, 사전학습 단계를 생략한 방법에 비해 전반적으로 우수한 성능을 보였다. 특히, 라벨 데이터가 적은 환경에서 두드러진 성능 향상을 확인하였다. 이러한 결과를 통해 Confidence 기반의 증강 기법과 사전학습 단계가 제한적인 데이터 환경에서 효과적인 학습 성능 향상을 제공할 수 있음을 확인하였다.
#용종 분할 #반지도학습 #딥러닝 #대장내시경 #용종 #이미지 #Polyp segmentation #Semi-supervised learning #Deep learning #Colonoscopy polyp image

목차

요약
Abstract
1. 서론
2. 제안하는 방법
3. 실험 및 결과
4. 결론 및 향후 연구
References

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0