In this study, we have studied a method of generating synthetic images using deep learning. In order to apply the Generative Adversarial Networks (GAN), we have developed an operational model that can operate even when there are few images to be used for learning or simple image shapes. Instead of directly learning the image, the autoencoder (AE), which can be learned more easily, expresses the images as a vector in the latent space. In addition, we have devised a method to uniformly bias vectors in latent space so that the input data can be trained more easily to the GAN. In addition, a structure that can generate a vector more similar to the latent space vector of the actual data by changing the portion for discriminating the synthetic data to the deep recurrent neural network. We applied the developed neural network system to the jellyfish swarm detection and removal system for marine environment management and confirmed that the jellyfish swarm is detected with high accuracy by the classifier learned with the synthetic image generated by the proposed method.
본 연구에서는 딥 러닝을 이용하여 합성 이미지를 생성하는 기법에 대해 연구하였으며 일반적인 대립쌍 생성 네트워크를 적용하기에는 학습에 사용할 이미지가 적거나 이미지 형상이 단순한 경우에도 작동 가능한 생성 모델을 개발하였다. 이미지를 대립쌍 생성 네트워크에 바로 학습시키는 대신 보다 쉽게 학습이 가능한 자기부호화기(Autoencoder, AE)를 이용하여 생성하고자 하는 이미지들을 잠재공간 내 벡터(latent vector)로 표현한 후 이 벡터들을 대립쌍 생성 네트워크(Generative Adversarial Networks, GAN)에 학습시키는 방법을 사용하였다. 또한 벡터 형태의 입력 데이터를 대립쌍 생성 네트워크가 더 수월하게 학습하도록 잠재공간 내 벡터를 일정하게 편향시키는 방법을 고안하였으며 추가적으로 대립쌍 생성 네트워크에서 실제와 합성 데이터를 판별하는 부분을 심층재귀신경망으로 변경하여 실제 데이터의 잠재공간 백터와 더 유사한 백터를 생성할 수 있는 구조 또한 제안되었다. 개발된 신경망 시스템을 해양 환경 관리를 위한 해파리 군집 검출 및 제거 시스템에 적용하였으며 본 연구에서 제안한 기법으로 생성된 가상 이미지로 학습된 분류기로 실제 해파리 군집을 높은 정확도로 탐지함을 확인하였다.
