최근 깊은 신경망 모델이 비약적으로 발전하면서 여러 분야에 있어서 최고의 성능을 보여주고 있지만 실생활에 적용된 사례의 성능은 그만큼 높지 못하다. 이미지를 얻기 위한 장치들은 이미지의 잡음이나 여러 종류의 이미지 품질의 저하 문제를 겪곤 한다. 또한 이미지를 재전송 하거나 저장하는 과정을 거치면서 압축이 중복으로 적용이 되어 손실이 더욱 극대화 되기도 한다. 이러한 문제에서 인공 신경망의 성능은 상당히 좋지 못하다는 것이 기존 연구에서도 밝혀진 바 있다. 실생활에서 성능이 좋지 못하다는 점을 고려했을 때, 아직 이미지의 잡음이나 이미지 품질 저하 상황에서의 문제점을 풀고자 하는 시도가 상당히 적을뿐더러 기존 연구들은 상당히 제한적인 상황을 가정하기 때문에 문제점이 많다. 따라서 본 연구에서 실제 발생 가능한 여러 품질 저하 상황에서 인공 신경망의 성능을 개선시키고자 한다. 또한, 이미지 내에서 물체를 더욱 잘 찾는 문제를 풀기 위해서 중간 연결에 대해서도 연구를 수행하여 물체를 더 잘 찾을 수 있는 방법을 제시한다.
Alternative Abstract
Despite of the glory of deep neural network, still it suffers from abnormal cases that cannot be properly treated only by training convolutional filters even though it is said to replace traditional handmade filters. The abnormal factors including real world noise, blur, or some quality degradation ruins the output from a neural network. Considering that the unexpected problems can yield a critical problem, it is surprising that there has not been thorough research on the effect of noise in deep neural network model. Therefore, we exhaustively investigate the effect of noise in image classification and semantic segmentation task. Then we build a dual-channel model to make model robust to noisy datasets, on which the model has not been pre-trained. In this study, we design and compare single model and our proposed dual-channel model to improve the overall performance of neural network on any types of quality degraded input datasets. Moreover, to suggest the most effective skip connection for semantic segmentation, we verify different role of feature collection from each different intermediate layers.
