인하대학교 전자공학 종합설계 손글씨 인식 MNIST 결과보고서

목차

1. Mnist dataset
2. CNN
3. Overfitting(과적합)
4. Learning Rate(학습계수)
5. Batch size
6. 고찰
7. 참고문헌

본문내용

1. Mnist dataset
최근 스마트폰, 태블릿 등과 같은 전자기기들의 발전으로 인해 손글씨 인식에 대한 연구들이 등장했는데 다양한 손글씨를 인식하려는 노력들이 있었다. 그러나 어린아이들의 손글씨와 같이 글씨 모양이 상대적으로 불규칙할 때 이를 인식하기 어렵다는 점이 존재했다. 이로 인해 최근에 딥러닝 기술들을 적용해서 손글씨 인식률을 개선하려는 시도가 있었다. Mnist는 Modified National Institute of Standards and Technology database의 약어로 손으로 쓴 숫자들로 이루어진 대형 데이터베이스이다. 이미지 데이터에는 가로세로 비율이 유지된 28*28의 픽셀의 크기로 정규화된 이미지와 그 이미지가 어떤 숫자인지를 나타내는 Label(레이블)정보가 함께 들어 있다. 기계학습 분야에서 아주 유명한 데이터 셋으로 간단한 실험에서부터 논문으로 발표되는 연구까지 다양한 곳에서 이용되는 손글씨 숫자 이미지 집합이다.

2. CNN
인식률을 높이기 위해 신경망 RNN과 CNN의 방식 중 CNN을 사용하여 손글씨 인식에 대한 정확도를 높이고자 하였다. CNN이란 합성곱 신경망(Convolution neural network)으로 수학적기호인 Convolution을 이용하여 이미지, 텍스트, 사운드 등을 분류하는데 사용되는 인공신경망이다. 딥러닝에서는 이를 심층 신경망으로 분류되어 시각적 이미지 분석에 널리 사용된다.
이미지 인식의 경우에는 일반적으로 CNN을 기초로 두고있다. CNN은 은닉층 사이에 두개의 계층을 추가하여 데이터의 특징을 보다 적절하게 추출하는 신경망이다. 하나는 합성곱 계층(Convolution Layer)이고 다른 하나는 풀링 계층(Pooling Layer)으로 존재한다.

참고 자료

AHan MR et al. “A Study on the AI Based MNIST Handwriting Recognit”(2019)
Bae CH et al. “An Experimental Comparison of CNN-based Deep Learning Algorithms for Recognition of Beauty-related Skin Disease”(2020)
한빛미디어 <밑바닥부터 시작하는 딥러닝>
네이버 및 구글 블로그