게임 프로그래밍
Received: Mar. 16. 2018 Revised: Apr. 15. 2018 Accepted: Apr. 20. 2018
Corresponding Author: Sung Hyun Cho(Hongik University) E-mail: [email protected]
ISSN: 1598-4540 / eISSN: 2287-8211
Ⓒ The Korea Game Society. All rights reserved. This is an open-access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.otg/licenses/by-nc/3.0), which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
컨볼루션 인공신경망을 이용한 2차원 게임 이미지 색상 합성 시스템※
홍승진, 강신진, 조성현 홍익대학교 일반대학원 게임학과(공학) [email protected], {directx, scho}@hongik.ac.kr
2D Game Image Color Synthesis System Using Convolutional Neural Network
Seung Jin Hong, Shin Jin Kang, Sung Hyun Cho School of Games, Hongik University
요 약
최근의 인공 신경망(Neural Network) 기법은 전통적인 분류 문제와 군집화 문제 해결에서 벗어 나 이미지 생성 같은 컨텐츠 생성에서도 좋은 성능을 보이고 있다. 본 연구에서는 차세대 컨텐츠 생성 기법으로 인공신경망을 이용한 이미지 생성기법을 제안한다. 제안하는 인공신경망 모델은 두 개의 이미지를 입력받아서 하나의 이미지에서는 색상을, 다른 이미지에서는 모양을 가져와 새로운 이미지로 조합해낸다. 이 모델은 컨볼루션 인공신경망(Convolutional Neural Network)으로 제작되 었으며 각각 이미지에서 색상과 모양을 추출해내는 두 개의 인코더와 각 인코더의 값을 모두 넘겨 받아 하나의 조합이 되는 이미지를 생성해내는 하나의 디코더로 구성이 되어있다. 본 연구의 성과 는 저비용으로 게임 개발 프로세스 상 다양한 2차원 이미지 생성 및 보정 작업에 활용될 수 있다.
ABSTRACT
The recent Neural Network technique has shown good performance in content generation such as image generation in addition to the conventional classification problem and clustering problem solving. In this study, we propose an image generation method using artificial neural network as a next generation content creation technique. The proposed artificial neural network model receives two images and combines them into a new image by taking color from one image and shape from the other image. This model is made up of Convolutional Neural Network, which has two encoders for extracting color and shape from images, and a decoder for taking all the values of each encoder and generating a combination image. The result of this work can be applied to various 2D image generation and modification works in game development process at low cost.
Keywords : Procedural Contents Generation, Neural Network, Autoencoder
1. 서 론
게임제작 생산성은 게임회사의 중요한 경쟁력이 다. 게임 산업계에서는 지난 수년간 게임의 생산성 을 향상시키려는 시도가 끊임없이 이어져 오고 있 다. 하지만 2차원 게임 아트 리소스 개발 작업은 픽셀 단위의 강도 높은 수정 작업과 제한된 색상 선별 작업으로 인해 여전히 높은 개발 비용이 발 생하고 있다.
본 논문에서는 2차원 게임 그래픽 리소스의 생 산성 향상을 위한 방법으로 인공지능을 적용한 게 임 이미지 생성 방법을 제안한다. 2차원 게임에서 많이 사용되는 그래픽 리소스 개발 기법은 스프라 이트 기법이다. 스프라이트 기법은 다수의 이미지 를 연속적으로 변경해가면서 움직임을 표현하는 방 식이다. 이 제작 방식은 하나의 동작 표현에도 소 모적인 픽셀 단위 색 수정과 및 색상 팔레트 지정 작업을 필요로 하고 있으며, 이는 개발시간의 상승 으로 이어진다.
이러한 게임 제작환경의 개선을 위하여 본 논문 에서는 최근 이미지 처리에서 많이 사용되는 컨볼 루션 인공신경망 기법을 도입하고자 한다. 본 논문 에서 제안하는 게임 이미지 생성 방법은 두 개의 서로 다른 이미지를 입력받아 모양과 색상을 추출 하고 조합하여 새로운 이미지로 합성하는 방법으로 첫 번째 이미지에서 모양을 복사하고 두 번째 이 미지에서 색상을 복사하여 모양과 색상을 조합한 새로운 이미지를 생성한다. 이러한 시스템에 사용 되는 모델은 컨볼루션 인공신경망의 오토인코더 구 조를 응용하여 복수의 이미지를 입력으로 사용할 수 있도록 구성하였다.
본 논문에서 제시하는 방법은 그래픽 컨텐츠 제 작 시 인공신경망을 응용한 모델들이 이미지 변경 작업 과정에서 형태와 색상을 동시에 변경하지 않 고 분리시켜 적용할 수 있음을 보여준다.
2. 관련 연구
2.1 인공신경망
인공신경망은 뇌의 뉴런이 작동하는 방식을 기 반으로 만들어진 기계학습 방법이다. 인공신경망은 정답이 존재하는 교사 학습과 정답이 존재하지 않 는 비교사 학습이 모두 가능하다. 분류, 예측, 음성 인식 또는 추천 시스템 등 다양한 분야에 적용되 고 있다. 특히 이미지 처리에 뛰어나 컴퓨터 비전 분야에서 좋은 성능을 나타내고 있다. 인공신경망 은 [Fig. 1] 에서 보이는 것처럼 많은 노드를 가지 는 레이어가 연결되어 있는 형태이다.
[Fig. 1] Artificial Neural Network
인공신경망은 기계학습 모델로 강력한 성능을 보여주고 있지만 결과에 대한 의미를 분석할 수 없어 각 레이어를 히든 레이어(Hidden Layer)라고 도 하고, 이 레이어 구조를 블랙박스라고 한다.
인공신경망 모델의 종류로는 이미지 처리에 뛰 어난 컨볼루션 인공신경망[1]이 있고 시계열 데이 터 처리에 뛰어난 리커런트 인공신경망(Recurrent Neural Network) 과 Long-Short Term Memory(LSTM)[2, 3] 등이 있다. 각 모델들은 다 양한 변형된 구조를 가지고 있으며 많은 분야에서 문제해결에 사용되고 있다.
인공신경망은 다양한 분야에서 강력한 모습을 보이고 있지만 블랙박스 네트워크라는 단점으로 인
하여 문제해결에 쓰이더라도 성능의 상승만 결과로 서 받을 수 있고, 성능이 향상된 이유는 얻기 힘들 다는 단점이 있다. 이러한 단점들은 네트워크를 훈 련시키는 과정에서도 문제가 발생한다. 과정의 정 보를 해석할 수 없기 때문에 모델의 구조, 모델에 사용되는 손실함수, 각 파라미터에 사용되는 수치 값들의 조정 등을 어떻게 설정해야 좋은 학습 결 과를 나타내는지 알기가 쉽지 않다.
인공신경망이 다양한 분야에서 많이 사용되어 오면서 이러한 훈련의 어려움을 해결하기 위한 방 법들도 발전해왔다. 학습방법 테크닉중 하나로 대 량의 데이터를 여러 번 반복하여 학습하게 되면 원하는 결과까지 도달하는 시간이 상당히 길어지는 문제를 Momentum Gradient Descent 와 RMSProp[4] 등의 학습방법을 사용하여 해결할 수 있다.
2.2 컨볼루션 인공신경망
컨볼루션 인공신경망 모델은 이미지처리에 강력 한 성능을 보여주는 인공신경망이다. 필터를 사용 하여 이미지에서 특징점을 추출하는 방법을 사용하 는 모델이다. 이 모델이 이미지 처리에서 뛰어난 성능을 보이는 이유 중 하나는 물체가 이미지 내 에서 어디에 위치하더라도 학습된 물체를 찾아낼 수 있다는 점이다.
[Fig. 2] Convolutional Neural Network
[Fig. 2]에서 보이는 것처럼 이미지를 필터를 통 해서 특징들을 작은 크기의 이미지로 압축해 나가 는 모델이다. 컨볼루션 모델을 응용한 모델로는 고 흐의 그림체와 이미지를 조합하여 일반적인 이미지 에 고흐의 그림체를 적용시킨 결과를 보여주는
Deep Style[5]이 있고 두 개의 네트워크가 한쪽은 가짜의 데이터를 실제의 데이터와 같도록 학습하 고, 다른 한쪽은 만들어진 가짜 데이터와 실제 데 이터를 정확히 분류할 수 있도록 경쟁 구조를 통 해 학습하여 데이터를 생성하는 Generative Adversarial Network(GAN)[6]가 있다. 또한, 3D 의자 모델 이미지 데이터 셋으로 의자 이미지를 생성할 수 있도록 학습시키고 새로운 스타일의 의 자 이미지도 생성할 수 있도록 하는 연구가 있으 며[7] 해당 연구에 사용된 모델은 다수의 입력을 하나의 레이어로 합쳐서 사용하는 방식을 사용하였 다. 본 연구에서는 컨볼루션 인공신경망의 종류중 하나인 오토인코더(Autoencoder)[8]를 사용하여 오토인코더 기법이 2D 이미지를 효과적으로 생성 하는데 사용될 수 있음을 보이고자 한다. 특히 본 논문에서는 복수의 이미지에서 각각 형태와 색상을 독립적으로 추출하는 복수의 인코더 구조를 새로이 제안한다. 이를 통해 대량의 스프라이트를 일괄적 으로 변화할 필요가 있을 때 형태 혹은 색상을 분 리시켜 변화시킬 수 있는 가능성을 확인해 보고자 하였다.
2.3 오토인코더
오토인코더는 [Fig. 3] 에서 보이는 것처럼 입력 과 출력의 크기가 동일한 네트워크이다. 기본적인 인공신경망에도 적용할 수 있지만, 이미지 처리에 강력한 컨볼루션 인공신경망 기반으로 구현하여 사 용하는게 더 좋은 성능을 보인다. 오토인코더는 인 코더와 디코더라는 두 개의 네트워크 구조를 사용 하며, 인코더는 높은 차원의 이미지를 인코딩하여 낮은 차원으로 서서히 압축하고, 디코더는 압축된 정보를 다시 높은 차원으로 디코딩하여 입력 데이 터와 같은 차원으로 복원하는 작업을 반복하면서 데이터의 특징을 학습하게 된다.
입력벡터를 라 하고 인코딩 결과를
디코딩 결과를 라 할 때 오 토인코더는 를 만족하는 함수에 근 사가 되도록 학습한다.
[Fig. 3] Autoencoder
본 연구에서는 이러한 특성을 가지는 오토인코 더 구조에 두 개의 인코더와 하나의 디코더를 사 용하여 이미지를 복원하는 게 아닌 이미지를 합성 하여 새로운 이미지를 생성해내는 모델을 만들었 다.
2.4 응용 모델
인공신경망을 게임 컨텐츠 생성에 적용하려는 시도는 이전에도 다양하게 있었다. 오토인코더를 사용해 게임맵의 패턴을 학습하고 자동으로 새로운 게임맵을 생성하려는 연구가 존재한다[9]. 그리고 새로운 컨볼루션 인공신경망 모델을 제안하며 이 모델로 이미지 안의 물체에 새로운 행동을 조합시 키는 연구가 있었다[10]. 또한 오토인코더를 응용 한 모델을 제안하고, 게임 스프라이트와 3D 자동 차 모델 이미지를 회전시키고 애니메이션을 다른 이미지에 적용시킨 연구도 있다[11].
위에서 소개한 것처럼 많은 연구들에서 인공신 경망을 게임 컨텐츠 생성에 응용하여 적용시키려는 연구를 진행하고 있다. 컨텐츠 생성에 많이 사용되 는 인공신경망 모델들은 컨볼루션 인공신경망 기반 의 모델들이 많이 사용된다. 컨볼루션 인공신경망 기반의 모델들은 오토인코더, GAN 등이 있으며 이 기반 모델들을 응용하여 사용할 수 있다.
기존의 인공신경망을 응용한 이미지 컨텐츠 생 성에서 나타나는 문제점중 하나는 생성된 이미지에 는 노이즈가 포함되어있어 바로 적용되기 힘들다는 점이 있다. 이러한 문제점은 이미지의 차원을 압축 하면서 손실된 정보를 다시 복원하는 과정에서 발
생한다. 본 연구에서는 오토인코더를 응용하여 이 미지 컨텐츠 생성 연구를 진행하였으며 인공신경망 으로 생성된 이미지는 노이즈를 가지고 있다는 단 점을 보완하기 위하여 노이즈를 제거하기 위한 후 처리 작업을 적용하였다.
3. 제안 시스템
3.1 혼합 오토인코더
본 연구에서 제안하는 모델은 두 개의 이미지를 받아서, 하나의 이미지에서는 색상을 다른 이미지 에서는 모양을 복원하여 색상과 모양을 조합한 새 로운 이미지를 생성한다. 이런 작업을 수행하는 모 델로 오토인코더를 사용하였고 [Fig. 4]는 두 개의 이미지를 인코딩할 수 있도록 두 개의 인코더와 하나의 디코더를 가지는 모델을 새로이 적용하였음 보여준다. [Fig. 5]는 네트워크의 세부 구조를 보여 준다.
입력벡터로 사용되는 두 개의 이미지 , 와 두 이미지의 혼합된 결과 가 있고 각 인코딩 결과 와 를 입력으로 받는 디코딩 결과를 라 할 때 제안 하는 모델은 를 만족하는 함수에 근사가 되도록 훈련한다.
훈련에 사용되는 데이터는 여러 모양과 색상을 가지고 있는 게임 캐릭터 이미지와 단색으로 이루 어진 물체와 동물의 이미지를 사용하였다. 모양과 색이 전부 다른 이미지를 입력으로 사용하고, 디코 더에 의해 출력된 이미지는 모양과 색이 조합된 이미지를 만들어 낼 수 있도록 훈련하였다.
[Fig. 4] Mixed Autoencoder
입력 이미지의 크기는 너비 68, 높이 68이다. 훈 련에 사용될 이미지의 크기를 통일시키기 위하여 이미지 크기의 부족한 공간을 채우는 패딩 방식을 사용하여 이미지 크기를 조절하는 전처리 작업을 진행하였다.
모델의 세부적인 구조는 [Fig. 6]과 같다. cl 은 컨볼루션 레이어를 뜻하며 모든 윈도우 사이즈는 (3, 3) 으로 고정하여 사용하였으며 필터의 개수는 (2, 2) stride를 사용하여 이미지의 크기가 축소될 때 두 배로 증가하게 만들었다. 두 개의 인코더를 사용하기 때문에 디코더는 두 개의 인코더의 결과 를 합친 값을 입력으로 받으며 각 인코더는 Weight와 Bias를 공유하지 않는다. 디코더의 resize는 이미지의 크기를 확장하기 위해 사용하며 주변픽셀의 값을 보간하여 이미지를 확장한다. 두 개의 인코더에서 나오는 결과 레이어는 하나의 레 이어로 합쳐져 디코더의 입력으로 들어가게 된다.
두 인코더의 압축된 정보를 입력으로 받은 디코더 는 두 이미지를 혼합한 이미지를 생성할 수 있도 록 훈련한다.
[Fig. 6] Model Layer Architecture.
cl: convolutional layer, fcl: fully connected layer
3.2 이미지 후처리 작업
본 연구에서 제안하는 모델의 결과 이미지는 인 코딩으로 압축을 진행할 때 손실되는 정보를 디코 딩하는 과정에서 노이즈가 발생하게 된다. 이러한 노이즈를 제거하기 위해서 모양으로 사용된 이미지 에서 실질적으로 사용되지 않는 배경부분의 인덱스 를 검색하여 생성되는 출력 이미지에 복사하는 과 정을 후처리로 적용하였다. 이 과정을 거치게 되면 [Fig. 7]과 같은 이미지의 배경의 변경이 발생한다.
[Fig. 5] Network Architecture With Parameters
[Fig. 7] Left : Before Post Process, Right : After Post Process
모델을 훈련시키는 과정에서 사용되는 손실함수 는 생성된 합성 이미지와 목표로 하는 이미지와의 차이에 따라서 손실값을 줄이도록 훈련을 진행하게 된다. 이 과정에서 노이즈가 포함된 합성 이미지는 불필요한 손실값을 증가시키게 된다. 이러한 문제 점을 보완하기 위하여 훈련에 사용되는 합성 이미 지 대신에 후처리가 적용된 이미지를 손실함수에 사용하여 불필요한 배경이미지에서 발생할 수 있는 손실값이 없도록 하였다. [Fig. 6]의 왼쪽의 노이즈 값이 포함된 이미지를 손실함수에 적용하는 것이 아닌 오른쪽의 노이즈가 제거된 이미지를 손실함수 에 적용하여 배경부분의 노이즈를 포함하지 않고 온전한 캐릭터만의 노이즈만 손실값으로 계산할 수 있게 되어 더 빠르고 정확한 훈련이 가능하다.
후처리 작업은 학습속도에 영향을 적게 주기 위 하여, CPU를 이용한 처리가 아닌 GPU를 이용하 는 학습과정에서 동시에 실행될 수 있도록 구현하 였다.
4. 실 험
실험환경은 Linux OS 상에서 진행되었고, 한 개의 GTX1080 GPU가 사용되었다. 구현에 사용 된 라이브러리와 코드는 Python3 와 Tensorflow 를 사용하였다.
실험과정은 두 가지의 방법으로 진행하였다. 각 실험이 두 장의 이미지를 합성한다는 공통점을 가 지고 있지만 첫 번째 실험은 입력에 사용하는 이
미지가 모두 캐릭터로 이루어져 있고, 두 번째 실 험은 색상으로 사용되는 이미지가 캐릭터 이미지가 아닌 다양한 물체와 동물의 이미지를 입력으로 사 용하였다.
4.1 캐릭터 이미지간의 합성
첫 번째 실험에 사용된 데이터는 RGB 값이 고 르게 분포하고 3개의 모양을 가지는 이미지 1530 장을 사용하였다. 이러한 이미지들로 색상과 모양 조합을 구성하면 약 38만 가지의 이미지 조합이 생성되어 훈련에 사용하기 충분한 양으로 구성되었 다. [Fig. 8]은 데이터로 사용되는 이미지들 중 일 부이다.
[Fig. 8] Data Samples
[Fig. 9]과 [Fig. 10]는 훈련에 사용된 이미지 조 합 중 한 가지 조합의 결과이다. [Fig. 9]의 결과 이미지는 후처리가 적용되기 전의 결과이며 후처리 가 적용된 후의 결과는 [Fig. 10]의 결과 이미지와 같다. 훈련에 사용되지 않은 이미지 조합도 구현해 낼 수 있는지 검증하기 위하여 훈련 데이터셋에 없는 이미지 조합을 생성시켜보았고, 그 결과는
[Fig. 11]과 [Fig. 12]과 같다. [Fig. 11]의 결과 이 미지는 후처리가 적용되기 전의 결과이고, [Fig.
12]의 결과 이미지는 후처리가 적용된 후의 결과 이미지이다. 훈련에 사용되지 않은 색상의 이미지 를 입력으로 받은 합성 이미지도 훈련과정에서 만 들어낸 합성 이미지처럼 상당히 정확하고 깔끔하게 조합된 결과를 보여주고 있다.
[Fig. 9] Train Result Before Post Process
[Fig. 10] Train Result After Post Process
[Fig. 11] Test Result Before Post Process
[Fig. 12] Test Result After Post Process
4.2 캐릭터와 물체 이미지간의 합성
두 번째 실험은 캐릭터 이미지와 다양한 물체 이미지간의 합성 실험이다. RGB 분포로 만들어진 첫 번째 실험의 데이터셋과는 다르게 두 번째 실 험의 데이터셋은 실제로 존재하는 다양한 물체와 동물의 이미지와의 합성 실험이므로 색상이 제한이 존재하고 충분한 데이터셋으로 이루어지지 않았다.
실험에 사용된 색상의 종류는 총 24개이며 세부 적인 정보는 [Table 1]에 나타나 있다. 24개의 색 중에서 21번까지의 색을 훈련에 사용하였고, 나머 지 3개 색상 Lime, Green 그리고 Orange 는 훈 련에 사용되지 않은 색상 이미지 합성 테스트로 사용하였다. 또한 이미 학습된 색상에 대해서도 학 습에 사용되지 않은 이미지로 합성 테스트를 진행 하였다.
[Table 1] Color Types
Color (hex) Name
#000000 Black
#808080 Gray
#C0C0C0 Silver
#FFFFFF White
#F5F5DC Beige
#FFFFF0 Ivory
#F0E68C Khaki
#E6E6FA Lavender
#00FFFF Aqua
#0000FF Blue
#000080 Navy
#FF00FF Magenta
#FFC0CB Pink
#800080 Purple
#EE82EE Violet
#A52A2A Brown
#FF0000 Red
#DC143C Crimson
#FFD700 Gold
#D2691E Chocolate
#FFFF00 Yellow -TEST- Lime -TEST- Green -TEST- Orange
색상 이미지로 사용할 데이터셋 구축을 위해 별 도의 웹 이미지 크롤러를 구현하여 이미지를 자동 수집하였다. 총 4개의 키워드와 이미지 이름간의 조합을 통하여 데이터를 수집했다. 키워드로 사용 된 단어는 다양한 색상을 포함할 수 있는 “Fruit”,
“Animal”, “Car”, “Bottle”로 구성하였다. 색상과 키워드의 조합의 예시로는 “Red Color Car” 와 같 은 형태로 조합하여 검색하였고 각각의 키워드마다 최대 20개의 이미지를 수집할 수 있도록 하였다.
[Fig. 13]는 수집된 색상 이미지 일부와 이미지 합 성 시 목표로 하는 캐릭터 이미지의 일부를 보여 준다.
[Fig. 13] Color Images
[Fig. 14]은 훈련되지 않은 색상인 Lime, Green 그리고 Orange 를 포함한 이미지를 가지고 훈련된 모델에 입력으로 사용하여 이미지를 합성한 결과를 나타내고 있다. 훈련과정에서 전혀 학습하지 못한 색상과 물체 이미지를 입력으로 받아도 합성 이미 지는 매우 근접한 색상을 띄는 것을 볼 수 있으며 두 번째 합성 이미지는 한 가지 색상이 아닌 두 개의 색상이 교묘하게 조합된 결과를 보여준다.
[Fig. 14] Shape and Color from an Object Synthetic Images
[Fig. 15]는 훈련에 사용된 색상이지만 훈련에 사용되지 않은 물체 이미지를 입력으로 사용하여 합성된 이미지 결과이다. 훈련된 모델은 입력으로 받은 물체 이미지에서 핵심 색상을 잘 추출하여 합성이미지에 사용하는 결과를 만들어냄을 보여주 고 있다. [Fig. 15]의 두 번째 합성 이미지는 검정 배경과 여러 색이 혼합된 불꽃 이미지에서 한가지 색을 잘 추출하고 있으며, 네 번째 합성 이미지는 흰색 글씨가 포함된 음료수캔 이미지에서 핵심적인 빨간색을 잘 추출하고 있다.
[Fig. 15] Shape and Color from an Object Synthetic Images
5. 결 론
본 연구에서는 그래픽 리소스의 개발속도 개선 연구를 위하여 컨볼루션 인공신경망 모델중 하나인 오토인코더를 응용하여 서로 다른 모양과 색상을 가지는 두 이미지를 입력으로 사용하여 모양과 색 상이 합성된 새로운 이미지를 생성해내는 연구를 진행하였다. 제안하는 시스템은 입력에서 모양을 가져오는 인코더와 입력에서 색상을 가져오는 인코 더 그리고 두 인코더의 압축된값에서 모양과 색상 이 조합된 합성이미지를 생성하는 디코더로 이루어 진 인공신경망 모델이다. 단순히 인공신경망을 이 용하여 생성해낸 이미지는 노이즈가 포함되어 생성 되므로 노이즈 제거를 위한 후처리작업이 필요함을 인지하였고 노이즈를 제거하기 위한 후처리작업을 구현하여 좋은 결과의 합성이미지를 만들어내고 후 처리 이미지를 손실함수에도 사용하여 모델을 더 강력하게 훈련할 수 있도록 하였다. 또한 기존의 오토인코더 모델에서 차이점을 두어 복수의 이미지 에서 형태와 색상을 독립적으로 추출하여 혼합하는 학습 모델을 제안하였다. 제안하는 인공신경망 모
델은 게임 개발 프로세스 상 대량의 수작업을 필 요로 하는 2차원 이미지의 스프라이트 작업, 색 팔 레트 작업 및 이미지 보정 작업 시 형태를 유지하 고 색을 변형시킬 수 있음을 보여주었다. 향후 연 구로는 GAN 모델을 응용한 pix2pix 방식의 네트 워크 훈련 방법과 새로운 모델을 사용한 스프라이 트 생성 기법을 진행할 예정이다.
ACKNOWLEDGMENTS
This research was supported by Basic Science Research Program through the National Research Foundation of Korea(NRF) funded by the Ministry of Science, ICT &
Future Planning (NRF-2015R1A1A1A05001196) and 2016 Hongik University Research Fund.
REFERENCES
[1] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. "Imagenet classification with deep convolutional neural networks."
Advances in neural information processing systems, pp1097-1105, 2012.
[2] Mikolov, Tomáš, et al. "Recurrent neural network based language model." Eleventh Annual Conference of the International Speech Communication Association, 2010.
[3] Hochreiter, Sepp, and Jürgen Schmidhuber.
"Long short-term memory." Neural computation 9.8, pp.1735-1780, 1997.
[4] Dauphin, Y., de Vries, H., & Bengio, Y.
Equilibrated adaptive learning rates for non-convex optimization. In Advances in neural information processing systems, pp.
1504-1512, 2015.
[5] Gatys, Leon A., Alexander S. Ecker, and Matthias Bethge. "A neural algorithm of artistic style." arXiv preprint arXiv:1508.06576, 2015
[6] Goodfellow, Ian, et al. "Generative adversarial nets." Advances in neural information processing systems, pp.2672-2680, 2014.
[7] Dosovitskiy, A., Springenberg, J. T., & Brox, T. (2015, June). Learning to generate chairs with convolutional neural networks. In Computer Vision and Pattern Recognition (CVPR), IEEE Conference on pp.1538-1546, 2015.
[8] Hinton, Geoffrey E., and Ruslan R.
Salakhutdinov. "Reducing the dimensionality of data with neural networks." science 313.5786, pp.504-507, 2006.
[9] Jain, Rishabh, et al. "Autoencoders for level generation, repair, and recognition."
Proceedings of the ICCC Workshop on Computational Creativity and Games, 2016.
[10] Xue, Tianfan, et al. "Visual dynamics:
Probabilistic future frame synthesis via cross convolutional networks." Advances in Neural Information Processing Systems, pp.91-99, 2016.
[11] Reed, Scott E., et al. "Deep visual analogy-making." Advances in neural information processing systems, pp.1252-1260, 2015.
홍 승 진(Hong, Seung Jin)
2016 - 현재 : 홍익대학교 게임학과(공학) 석사 2017 – 현재 : ETRI 위촉 연구원
관심분야 : 감성 컴퓨팅, 인공지능, 인디게임개발
강 신 진(Kang, Shin Jin)
2011 고려대학교 정보통신대학 컴퓨터학과 이학박사 2003-2006 소니컴퓨터엔터테인먼트코리아
2006-2008 엔씨소프트
2008-현재 홍익대학교 게임학부, 부교수
관심분야 : 감성컴퓨팅, 기계학습, 인디게임
조 성 현(Cho, Sung Hyun)
1978 서울대학교 계산통계학과 이학사 1980 서울대학교 계산통계학과 이학석사 1995 UCLA 컴퓨터과학과 이학박사 1996 -현재 홍익대학교 게임학부 교수
관심분야 : 게임 프로그래밍, 게임 그래픽스, 게임 물리, 분산 시스템
