Google Developers Group (GDG) DevFest Gwangju 2018 행사에서 발표한 자료입니다
* 1D 시계열 신호를 다루는 연구 분야에 어떻게 신경망 구조(특히 CNN)를 적용할 수 있는지 정리하고,
* 1D 시계열 신호관련 연구분야에 딥러닝 관련 연구개발 주제를 살펴봅니다.
* 2018. 11. 17. 토요일. GDG DevFest Gwangju 2018. @GIST
1. 김동현, GDG Gwangju Organizer
dony.donkim@gmail.com
Gwangju
나도 쓰고 싶다
딥러닝 II
통신/ IoT/ 웨어러블/ 에너지/ 의료헬스케어 적용하기
2018
2. 나도 쓰고 싶다, 딥러닝 II
통신/ IoT/ 웨어러블/ 에너지/ 의료헬스케어 적용하기
이 발표에서는 이제 막 딥러닝에 입문하신 분들께
음성/ 이미지/영상 이외의 신호에
(1) 어떻게 신경망 구조를 적용할 수 있는지
(2) 어떤 연구개발 주제와 내용을 접목할 수 있는지 정리합니다. Gwangju
3. 이런 분을 위해 준비한 Talk 입니다
머신러닝 및 딥러닝 관련 기초 강좌를 수강하거나 공부하신 분
TensorFlow를 이용해서 MNIST 분류 CNN 실습 해보신 분
이미지 기반 딥러닝 기법을 1-D 신호에 적용해보고 싶으신 분
1-D 신호에 딥러닝 구조 (특히 CNN) 적용 방법이 궁금하신 분
Gwangju
4. 발표자 소개
소속
* Ph.D. Student
Communications & Sensor Networks Lab. (CSNL),
Gwangju Institute of Science and Technology (GIST).
* GDG Gwangju Organizer
* A-GIST (Artificial General Intelligence Study Team)
흥미/ 좋아하는 것들
생체 신호처리 (Biosignal processing)
기계학습/딥러닝 (Machine Learning/ Deep Learning)
사부작거리며 일벌리기하기
디스커션을 빙자한 술자리
Contact Info.
https://sites.google.com/site/donydonkim
dony.donkim@gmail.com
dhkim518@gist.ac.kr
김동현
Donghyeon Kim
삽질을 바탕으로
커뮤니티에 기여할 수 있는
경로를 탐색 중입니다:)
7. 여러분은 아마도…
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems.
Szegedy, Christian, et al. (2015). "Going deeper with convolutions." Proceedings of the IEEE conference on computer vision and pattern recognition.
He, Kaiming, et al. (2016). "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition.
+ LeNet, AlexNet, GoogLeNet, VGGNet, ResNet
8. 여러분은 아마도…
t
x(t)
1차원 시간열 신호
통신 신호, 센서 신호 (온도, 초음파, 압력 등), 에너지 신호 (전력량 등)
웨어러블 및 생체 신호 (뇌파, 심전도, 가속도, 각속도 등)
9. 여러분은 아마도…
시간열 1-D 신호에는 딥러닝을
어떻게 사용하지?
특히 CNN(컨벌루션, 풀링)을
1-D 신호에 어떻게 적용하지?
이미지/영상 기반의 기법이나
연구 개발 주제들이
1-D 신호에도 적용 될수 있나?
11. Part I.
1D 신호에 신경망 구조 적용하기
Part II.
1D 신호에 연구개발 주제 대입하기
그래서 이런 내용을 소개합니다
12. 발표하는 저도 부족한 사람입니다...
디스커션 환영합니다:-)
잠깐,
오해하지 마세요
13. Part I. 시작합니다 1D 신호에 신경망 구조 적용하기
#
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
16. #
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
Part I.
1D 신호에 신경망 구조 적용하기
17. ① 1 채널 곧바로 MLP 적용
시간 축 (time-domain) 또는 주파수 축 (frequency-domain)
Keywords: 1 채널, MLP, 곧바로, 시간축 or 주파수축, 일단 집어넣기
신호 및 분류 문제 간단 예시
시간 축
심전도 펄스 5초로 쇼크/정상 판별하기
주식-주가 변동 예측
주파수 축 뇌파 (δ, θ, α, β, γ) 대역별 신호로 감정/수면상태 판별하기
18. ① 1 채널 곧바로 MLP 적용
시간 축 (time-domain) 또는 주파수 축 (frequency-domain)
Keywords: 1 채널, MLP, 곧바로, 시간축 or 주파수축, 일단 집어넣기
19. ① 1 채널 곧바로 MLP 적용
어플리케이션: 통신 - Signal detection in OFDM systems
Keywords: 1 채널, MLP, 곧바로, 시간축 or 주파수축, 일단 집어넣기
Ye, H., Li, G. Y., & Juang, B. H. (2018). Power of deep learning for channel estimation and signal detection in OFDM systems. IEEE Wireless Communications Letters, 7(1), 114-117.
20. ① 1 채널 곧바로 MLP 적용
어플리케이션: 통신 - PAPR reduction scheme for OFDM
Keywords: 1 채널, MLP, 곧바로, 시간축 or 주파수축, 일단 집어넣기
Kim, M., Lee, W., & Cho, D. H. (2018). A Novel PAPR Reduction Scheme for OFDM System Based on Deep Learning. IEEE Communications Letters, 22(3), 510-513.
21. #
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
Part I.
1D 신호에 신경망 구조 적용하기
22. ② 1 채널 곧바로 CNN 적용
1D Convolution
Keywords: 1 채널, CNN, 곧바로, 시간축 or 주파수축, 1D Convolution, 1D Pooling
Martinez, H. P., Bengio, Y., & Yannakakis, G. N. (2013). Learning deep physiological models of affect. IEEE Computational Intelligence Magazine, 8(2), 20-33.
23. ② 1 채널 곧바로 CNN 적용
1D Pooling
Keywords: 1 채널, CNN, 곧바로, 시간축 or 주파수축, 1D Convolution, 1D Pooling
Martinez, H. P., Bengio, Y., & Yannakakis, G. N. (2013). Learning deep physiological models of affect. IEEE Computational Intelligence Magazine, 8(2), 20-33.
24. ② 1 채널 곧바로 CNN 적용
Keywords: 1 채널, CNN, 곧바로, 시간축 or 주파수축, 1D Convolution, 1D Pooling
Martinez, H. P., Bengio, Y., & Yannakakis, G. N. (2013). Learning deep physiological models of affect. IEEE Computational Intelligence Magazine, 8(2), 20-33.
25. ② 1 채널 곧바로 CNN 적용
어플리케이션: 의료헬스케어 - EEG Seizure Detection
Acharya, U. R. et al., (2017). Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals. Computers in biology and medicine.
Keywords: 1 채널, CNN, 곧바로, 시간축 or 주파수축, 1D Convolution, 1D Pooling
Convolution
Max-pooling
Fully connected layer
26. #
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
Part I.
1D 신호에 신경망 구조 적용하기
27. ③ 1 채널 변환하고 CNN 적용
신호의 시간과 주파수 정보를 동시에 보고 싶다!
Keywords: 1 채널, CNN, 변환, 시간축 and 주파수축, TFD
0 0.5 1 1.5 2 2.5 3 3.5 4
-40
-20
0
20
40
Time (sec)
x(t)
Signal in time domain
0 10 20 30 40 50 60 70
0
2000
4000
6000
Frequency (Hz)
X(f)
Signal in frequency domain
28. ③ 1 채널 변환하고 CNN 적용
신호의 시간과 주파수 정보를 동시에 보고 싶다! TFD
Keywords: 1 채널, CNN, 변환, 시간축 and 주파수축, TFD
Time (sec)
Frequency(Hz)
Time-frequency distribution of signal
0 1 2 3
0
10
20
30
40
50
60
10
20
30
40
50
60
70
0 0.5 1 1.5 2 2.5 3 3.5 4
-40
-20
0
20
40
Time (sec)
x(t)
Signal in time domain
0 10 20 30 40 50 60 70
0
2000
4000
6000
Frequency (Hz)
X(f)
Signal in frequency domain
29. 어플리케이션: 통신 – Modulation Recognition
③ 1 채널 변환하고 CNN 적용
Keywords: 1 채널, CNN, 변환, 시간축 and 주파수축, TFD
Kong, S. H., Kim, M., Hoang, L. M., & Kim, E. (2018). Automatic LPI Radar Waveform Recognition Using CNN. IEEE Access, 6, 4207-4219.
30. 어플리케이션: 통신 IoT – Indoor Localization with Wi-Fi
③ 1 채널 변환하고 CNN 적용
Keywords: 1 채널, CNN, 변환, 시간축 and 주파수축, TFD
Wang, X. et al., (2017). CiFi: Deep convolutional neural networks for indoor localization with 5 GHz Wi-Fi. In Communications (ICC), 2017 IEEE International Conference on. IEEE.
*이 연구는 단일채널도 아니고 TFD를 활용한 것도 아니지만 Image Construction 예제로 함께 봅시다!
31. #
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
Part I.
1D 신호에 신경망 구조 적용하기
32. ④ 1 채널 변환하고 CNN 적용
주기성이 있는 1D 신호를 2D로 바꾸자
Keywords: 1 채널, CNN, 변환, 주기성, vec2mat
t
x(t)
…..
33. ④ 1 채널 변환하고 CNN 적용
주기성이 있는 1D 신호를 2D로 바꾸자 vec2mat
Keywords: 1 채널, CNN, 변환, 주기성, vec2mat
t
x(t)
…..
…..
34. 어플리케이션: 에너지 – Smart Grid를 위한 전력량 분석
Zheng, Z. et al., (2018). Wide and Deep Convolutional Neural Networks for Electricity-Theft Detection to Secure Smart Grids. IEEE Transactions on Industrial Informatics, 14(4), 1606-1615.
④ 1 채널 변환하고 CNN 적용
Keywords: 1 채널, CNN, 변환, 주기성, vec2mat
35. 어플리케이션: 통신 IoT – Wifi Hotspot 분류
Xu, C., (2017). Large-scale Wi-Fi hotspot classification via deep learning. In Proceedings of the 26th International Conference on World Wide Web Companion (pp. 857-858). International
World Wide Web Conferences Steering Committee.
④ 1 채널 변환하고 CNN 적용
Keywords: 1 채널, CNN, 변환, 주기성, vec2mat
36. #
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
Part I.
1D 신호에 신경망 구조 적용하기
37. ⑤ 다채널 곧바로 CNN 적용
격자형태로 배치된 다중 센서들이 신호를 취득한 경우
Keywords: 다중채널, CNN, 곧바로, 격자 배치, ≒이미지
Sensor
38. ⑤ 다채널 곧바로 CNN 적용
격자형태로 배치된 다중 센서들이 신호를 취득한 경우
센서 각각을 이미지의 픽셀로 해석한다 (≒이미지, ≒영상)
Keywords: 다중채널, CNN, 곧바로, 격자 배치, ≒이미지
Sensor
time
39. 어플리케이션: 웨어러블/헬스케어 – 근전도로 손동작 분류
Geng, W., Du, Y., Jin, W., Wei, W., Hu, Y., & Li, J. (2016). Gesture recognition by instantaneous surface EMG images. Scientific reports, 6, 36571.
⑤ 다채널 곧바로 CNN 적용
Keywords: 다중채널, CNN, 곧바로, 격자 배치, ≒이미지
40. #
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
Part I.
1D 신호에 신경망 구조 적용하기
41. ⑥ 다채널 곧바로 CNN 적용
무작위로 배치된 다중 센서들이 신호를 취득한 경우 (매우 일반적)
Keywords: 다중채널, CNN, 곧바로, 무작위 배치, 커널사이즈
t
x(t)
Sensor
42. ⑥ 다채널 곧바로 CNN 적용
무작위로 배치된 다중 센서들이 신호를 취득한 경우 (매우 일반적)
이미 2D Array는 주어졌다 & 커널사이즈를 자유롭게!
Keywords: 다중채널, CNN, 곧바로, 무작위 배치, 커널사이즈
t
x(t)
Sensor
3x3 1x5
5
x
1
43. 어플리케이션: 웨어러블 – 운동 동작 분류
Um, T. T. et al., (2017). Exercise motion classification from large-scale wearable sensor data using convolutional neural networks. In Intelligent Robots and Systems (IROS), 2017 IEEE/RSJ
International Conference on (pp. 2385-2390). IEEE.
⑥ 다채널 곧바로 CNN 적용
Keywords: 다중채널, CNN, 곧바로, 무작위 배치, 커널사이즈
44. 어플리케이션: 의료헬스케어 – Brain-Computer Interface (BCI)
Kwak, N. S., Müller, K. R., & Lee, S. W. (2017). A convolutional neural network for steady state visual evoked potential classification under ambulatory environment. PloS one, 12(2), e0172578.
⑥ 다채널 곧바로 CNN 적용
Keywords: 다중채널, CNN, 곧바로, 무작위 배치, 커널사이즈
45. #
채널
개수
NN
구조
곧바로/
변환
신호적 특징 접근법
참고
어플리케이션
1
단일
채널
MLP
곧바로
적용
시간축 또는
주파수축 데이터
일단 집어넣자 통신
2
CNN
1D Convolution
1D Pooling
의료-헬스케어
3
변환하고
적용
시간축과 주파수축 동시에
Time-Frequency
Distribution (TFD)
통신
통신 IoT
4 주기성이 있는 신호 vec2mat
에너지
통신 IoT
5
다중
채널
곧바로
적용
격자 형태로 배치된
센서 신호 데이터
≒ 이미지 또는 영상 웨어러블
6
무작위로 배치된
센서 신호 데이터
커널 사이즈를 자유롭게!
웨어러블
의료-헬스케어
7
변환하고
적용
채널 간 상관관계 상관관계 및 그래프 의료-헬스케어
Part I.
1D 신호에 신경망 구조 적용하기
46. ⑦ 다채널 변환하고 CNN 적용
상관관계 및 그래프
Keywords: 다중채널, CNN, 변환, 채널간 상관관계, 그래프
Mijalkov, M. et al., (2017). BRAPH: A graph theory software for the analysis of brain connectivity. PloS one, 12(8), e0178798.
47. ⑦ 다채널 변환하고 CNN 적용
다중 센서 신호 상관관계 및 그래프
Keywords: 다중채널, CNN, 변환, 채널간 상관관계, 그래프
Racz, F. S. et al., (2018). Multifractal dynamics of resting-state functional connectivity in the prefrontal cortex. Physiological measurement, 39(2), 024003.
Kawahara, J. et al., (2017). BrainNetCNN: convolutional neural networks for brain networks; towards predicting neurodevelopment. NeuroImage, 146, 1038-1049.
48. ⑦ 다채널 변환하고 CNN 적용
다중 센서 신호 상관관계 및 그래프 인접행렬에 적합한 컨벌루션?
Keywords: 다중채널, CNN, 변환, 채널간 상관관계, 그래프
Racz, F. S. et al., (2018). Multifractal dynamics of resting-state functional connectivity in the prefrontal cortex. Physiological measurement, 39(2), 024003.
Kawahara, J. et al., (2017). BrainNetCNN: convolutional neural networks for brain networks; towards predicting neurodevelopment. NeuroImage, 146, 1038-1049.
49. 어플리케이션: 의료헬스케어 – Brain Network Analysis
http://brainnetcnn.cs.sfu.ca/About.html
Kawahara, J. et al., (2017). BrainNetCNN: convolutional neural networks for brain networks; towards predicting neurodevelopment. NeuroImage, 146, 1038-1049.
⑦ 다채널 변환하고 CNN 적용
Keywords: 다중채널, CNN, 변환, 채널간 상관관계, 그래프
50.
51. Part II. 시작합니다 1D 신호에 연구/개발 주제 대입하기
# 주제 내용
참고
어플리케이션
1 Data Augmentation 훈련 데이터셋을 불리자! 웨어러블
2 Super-Resolution 저해상도 고해상도!
통신
의료헬스케어
3
Knowledge Distillation
(Model Compression)
가벼운 모델! IoT
54. Part II.
1D 신호에 연구개발 주제 대입하기
# 주제 내용
참고
어플리케이션
1 Data Augmentation 훈련 데이터셋을 불리자! 웨어러블
2 Super-Resolution 저해상도 고해상도!
통신
의료헬스케어
3
Knowledge Distillation
(Model Compression)
가벼운 모델! IoT
55. ① Data Augmentation
사용 가능한 훈련용 Labeled data 가 부족한 경우
http://nmhkahn.github.io/CNN-Practice
https://blog.naver.com/wkjuns/221277796512
https://www.kdnuggets.com/2018/05/data-augmentation-deep-learning-limited-data.html
원본
훈련 데이터 셋을 불려보자!
56. ① Data Augmentation
사용 가능한 훈련용 Labeled data 가 부족한 경우 데이터 증강
http://nmhkahn.github.io/CNN-Practice
https://blog.naver.com/wkjuns/221277796512
https://www.kdnuggets.com/2018/05/data-augmentation-deep-learning-limited-data.html
원본 좌우-상하 반전
Flip
회전
Rotation
줌인/줌아웃
Scale
일부 자르기
Crop
잡음/채도
Jittering
+ Generative Adversarial Networks (GAN)
훈련 데이터 셋을 불려보자!
57. 웨어러블 데이터 (3축가속도) Augmentation 재해석
Um, T. T. et al., (2017). Data augmentation of wearable sensor data for parkinson’s disease monitoring using convolutional neural networks. In Proceedings of the 19th ACM International
Conference on Multimodal Interaction (pp. 216-220). ACM.
① Data Augmentation
훈련 데이터 셋을 불려보자!
Jittering 잡음 추가
Scaling Magnitude 변화
Rotation 센서 위치 변경에 따르는 축 변화
Permutation 시간 축 이벤트 순간 변화
Warping Interval/ Magnitude 왜곡
Cropping 잘라내기
58. Part II.
1D 신호에 연구개발 주제 대입하기
# 주제 내용
참고
어플리케이션
1 Data Augmentation 훈련 데이터셋을 불리자! 웨어러블
2 Super-Resolution 저해상도 고해상도!
통신
의료헬스케어
3
Knowledge Distillation
(Model Compression)
가벼운 모델! IoT
59. 높은 해상도의 이미지는 여러 분야에서 필요
https://yearbook.com/support/article/image-resolution-explained/
https://www.slideshare.net/TaegyunJeon1/pr12-image-super-resolution-using-deep-convolutional-networks
② Super Resolution
저해상도 고해상도
60. 저화질의 이미지를 고화질의 이미지로 얻고 싶다! SR
Kim, J., Kwon Lee, J., & Mu Lee, K. (2016). Deeply-recursive convolutional network for image super-resolution. In Proceedings of the IEEE conference on computer vision and pattern
recognition (pp. 1637-1645).
② Super Resolution
저해상도 고해상도
61. 통신 모바일 트래픽 분석 + Mobility/ Network Analysis
② Super Resolution
Zhang, C., Ouyang, X., & Patras, P. (2017, November). ZipNet-GAN: Inferring fine-grained mobile traffic patterns via a generative adversarial neural network. In Proceedings of the 13th
International Conference on emerging Networking EXperiments and Technologies (pp. 363-375). ACM.
Discriminator
Generator
저해상도 고해상도
62. 의료헬스케어 EEG Super Resolution + Source Localization
https://www.biosemi.com/headcap.htm
https://www.slideshare.net/SangJunHan4/a-simulation-study-of-eeg-superresolution-using-deep-convolutional-networks
Sangjun Han, Moonyoung Kwon, Sunghan Lee, Sung Chan Jun, ‘Feasibility Study of EEG Super-Resolution Using Deep Convolutional Networks,’ IEEE SMC 2018.
② Super Resolution
저해상도 고해상도
63. Part II.
1D 신호에 연구개발 주제 대입하기
# 주제 내용
참고
어플리케이션
1 Data Augmentation 훈련 데이터셋을 불리자! 웨어러블
2 Super-Resolution 저해상도 고해상도!
통신
의료헬스케어
3
Knowledge Distillation
(Model Compression)
가벼운 모델! IoT
65. ③ Knowledge Distillation (Model Compression)
엄청나게 좋은 딥러닝! 하지만, 연산량과 메모리 사용이 너무 크다!
IoT/모바일 Edge 컴퓨팅 환경에서 쓸 수 있는 방법은?
가벼운 모델!
66. 어플리케이션: IoT 및 Edge Computing
Han, S., Mao, H., & Dally, W. J. (2015). Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. arXiv preprint arXiv:1510.00149.
Mishra, A., & Marr, D. (2017). Apprentice: Using knowledge distillation techniques to improve low-precision network accuracy. arXiv preprint arXiv:1711.05852.
③ Knowledge Distillation (Model Compression)
가벼운 모델!
67. Part I.
1D 신호에 신경망 구조 적용하기
Part II.
1D 신호에 연구개발 주제 대입하기
오늘 발표 정리!