데이터베이스 연구회지(SIGDB)
Current Result Document : 2 / 2
| 한글제목(Korean Title) |
적대적 오토인코더 기반 화재 위험 건물 검출 기법 |
| 영문제목(English Title) |
Adversarial Autoencoder-based Fire-risk Building Detection Technique |
| 저자(Author) |
이길재
Gil-Jae Lee
김한준
Han-Joon Kim
신승엽
Seung-Yeop Shin
김한준
Han-Joon Kim
|
| 원문수록처(Citation) |
VOL 35 NO. 03 PP. 0087 ~ 0097 (2019. 12) |
한글내용
(Korean Abstract) |
건물의 화재를 예방하기 위해서는 건물에 대한 소방 점검이 필요하다. 이 때, 화재 위험이 높은 건물을 식별할 수 있다면 소방 행정력을 효율적으로 배분할 수 있다. 본 논문에서는 오토인코더 기반의 이상치 검출 기법을 이용하여 화재 위험 건물을 검출한다. 오토인코더 기반의 이상치 검출은 정상 데이터에 대한 복원 오류는 낮고 이상 데이터에 대한 복원 오류는 높다는 원리에 근거한다. 본 논문은 적대적 오토인코더에 Latent GAN을 추가하여 이상 데이터에 대한 복원 오류가 높도록 설계된 오토인코더 모델을 제안한다. 실험을 통해 본 논문에서 제안하는 모델이 화재 위험 건물을 검출하는데 있어 우수한 성능을 보임을 증명하였다.
|
영문내용
(English Abstract) |
In order to prevent a fire in the building, fire safety checks on the building are necessary. If the fire-risk buildings can be detected, the fire authority can efficiently perform a fire service. In this paper, an autoencoder-based outlier detection technique is used to detect fire-risk buildings. Autoencoder-based outlier detection is based on the principle that the reconstruction error for normal data is low and the reconstruction error for abnormal data is high. In this paper, we propose an autoencoder model designed for high reconstruction error for abnormal data by adding Latent GAN to adversarial autoencoder. The experiments show that ‘Autoencoder with latent GAN’is excellent at detecting fire-risk buildings.
|
| 키워드(Keyword) |
데이터 증식
텍스트데이터
시맨틱 텐서공간모델
기계학습. 학습데이터
Data Augmentation
Text Data
Training Data
Semantic Tensor Space Model
Machine Learning
이상치 검출
오토인코더
적대적 생성망
Anomaly detection
autoencoder
generative adversarial networks
|
| 파일첨부 |
PDF 다운로드
|
