Deep learning based on machine learning is a representative technology of arti？cial intelligence, which is the main axis of 4th industrial revolution, and its performance is improving in many fields. The development of various structures and learning methods is rapidly improved, and various evolving models of the recently developed Generative Adversarial Network(GAN) algorithms have become the latest research fields to raise the limits of machine learning. The GAN algorithm is a form of unsupervised learning for transforming a noise z vector into a realistic image that fits its purpose through learning on a large amount of data. In this study, we designed two generators for the cyclic GAN learning, and converted the facial images of the combatant facial camouflage into clean face images that can be identified. We propose an iterative learning method that can improve the performance of the network while overcoming the quantitative limit of the image data directly captured from military units. In addition, the experiment of liver and lesion segmentation on liver CT images showed the applied of GAN in medical image processing. The medical image has proposed the network learning method with improved performance by adding the pixel unit accuracy to the objective function for the characteristic of the task.
머신러닝 기반의 딥러닝은 4차 산업혁명의 주축이 되는 인공지능의 대표 기술로 많은 분야에서 그 성능이향상되고 있다. 다양한 구조와 학습방법의 개선으로 빠르게 발달하고 있으며, 최근 개발되어 소개된 적대적인 생성네트워크(GAN) 알고리즘의 다양한 진화 모델들은 기계학습의 한계를 높이는 최신의 연구분야가 되어 있다. GAN 알고리즘은 비지도 학습의 형태로 많은 양의 데이터 학습을 통해 잡음 z 벡터를 목적에부합되는 현실적인 이미지로 변환하는 기술이다. 본 연구에서는 이러한 GAN 네트워크가 순환하는 학습을하도록 두 개의 생성기를 설계하여 안면위장이 되어있는 전투원의 얼굴 영상을 신원확인이 가능한 깨끗한얼굴 영상으로 변환하였다. 군 부대에서 직접 촬영한 사진 데이터의 양적 한계를 극복하면서 네트워크의성능을 향상할 수 있는 반복적인 학습 방법을 제안하여 그 성과를 확인하였다. 또한 간 CT영상에서 간과병변을 세분화하는 실험은 의료영상처리에서 GAN의 세분화 성능을 볼수 있었다. 의료영상은 픽셀단위정확성이 필요한 과업의 특성을 목적함수에 추가하여 향상된 성능의 네트워크 학습 방식을 제안하였다.
