경량 CNN모델을 이용한 인종분류에 관한 연구
A study on ethnicity classification using lightweight CNN models
- 주제어 (키워드) 합성곱 신경망 알고리즘 , 이미지 분류 , 멀티 클래스 , ResNet
- 발행기관 서강대학교 정보통신대학원
- 지도교수 박운상
- 발행년도 2022
- 학위수여년월 2022. 2
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스
- 실제 URI http://www.dcollection.net/handler/sogang/000000066679
- UCI I804:11029-000000066679
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
딥러닝 기술의 발전과 컴퓨팅 자원의 발전으로 이미지 분석의 분야에서 합성곱 신경망(Convolutional Neural Network)을 이용한 기술이 주목받고 있다. 기본적인 CNN으로 시작하여 VGGNet, ResNet, Yolo등 이미지를 탐색하고 분류하기 위한 기술들이 점점 발전하고 있다. 그러나 높은 성능을 위해서 모델의 사이즈도 커지고 학습에 필요한 자원도 더 많이 요구되고 있다. 본 논문에서는 5개의 인종으로 분류된 얼굴이미지 데이터에 대해서 CNN모델을 이용하여 분류하는 실험을 진행하였다. 기본적인 CNN을 이용해서 만든 모델과 ResNet을 이용한 모델을 구성하여 CNN과 ResNet의 학습시간, 자원사용량, 분류성능을 비교하였다. 그리고 ResNet의 Depth를 줄이고 분류성능 향상을 위해서 학습용 데이터의 비율조정, 데이터 증강, 클래스 조정 등을 통하여 성능향상에 영향을 미치는 변인들에 대해서 연구하였다. 이를 통해 ResNet모델을 이용하여 적은 자원사용과 빠른 학습을 통해서 다양한 분야에서 빠르고 가볍게 사용할 수 있는 딥러닝 시스템으로서의 활용가능성을 확인하였다.
more초록 (요약문)
With the development of deep learning technology and the development of computing resources, a technology using a convolutional neural network is attracting attention in the field of image analysis. Starting with a basic CNN, technologies for image search and classification such as VGGNet, ResNet, and Yolo are gradually developing. However, for high performance, the size of the model increases and more resources are required for training. In this paper, we conducted an experiment to classify face image data classified into 5 ethnicity using a CNN model. We compared the learning time, resource usage, and classification performance of CNN and ResNet by constructing a model using a basic CNN and a model using ResNet. In order to reduce the Depth of ResNet and improve the classification performance, the variables affecting the performance improvement were studied by adjusting the ratio of the training data, data augmentation, and class adjustment. Through this, we confirmed the applicability of the ResNet model as a deep learning system that can be used quickly and lightly in various fields through small resource use and fast learning.
more