EfficientNet을 이용한 두피 상태 분류
The Classification of scalp status using EfficientNet
- 주제어 (키워드) 두피 , EfficientNet , CNN , 전이학습
- 발행기관 서강대학교 정보통신대학원
- 지도교수 구명완
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000070087
- UCI I804:11029-000000070087
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
인공지능 기술은 빠른 속도로 발전하고 있으며, 방대한 양의 데이터 학습을 통해 구축된 높은 정확성과 빠른 처리 속도를 장점으로 앞세워[1] 금융, 의료, 소비재 등 다양한 산업 분야에 적용되고 있다. 최근 탈모가 발생하는 사람이 급증함에 따라 두피 및 모발관리에 대한 관심이 꾸준히 증가하고 있다. 이에 관련된 다양한 연구가 진행되고 있으나, 충분한 데이터가 확보하기 쉽지 않기 때문에 신뢰성이 높다고 보기가 어렵다. 또한 바쁜 사회인들의 접근성 문제로 전문 기관을 찾기가 쉽지 않고 진단자가 다양한 매체를 통해 스스로 상태를 판별하게 된다. 두피 진단에 딥러닝 기술을 적용하면 전문가가 빠르고 정확하게 진단할 수 있을 뿐만 아니라, 개인이 자가진단을 할 수 있게 도와줄 수 있다. 본 논문에서는 두피 상태를 분류하기 위해 미세각질, 피지과다, 모낭사이홍반, 모낭홍반/농포, 비듬, 탈모, 양호의 7가지 유형으로 데이터를 분류하였다. 그리고 각 상태들에 대한 평가를 없음(0), 경증(1), 중등도(2), 중증(3)으로 정의하였다. 각 상태에 대한 데이터 증강(Image Augmentation) 및 다운 샘플링 기법을 통해 데이터 불균형 문제를 개선하였다. 각 유형별 두피 상태 분류의 정확성을 높이기 위해 딥러닝 기반의 사전 학습된 EfficientNet-B0을 사용하여 각 유형별로 학습과 검증을 진행하였다. 실험 결과, 데이터 증강(Image Augmentation) 및 다운샘플링 기법이 정확도를 높이는데 많은 효과를 보였다. 특히 모낭사이 홍반, 모낭홍반/농포, 비듬, 탈모에 대해 높은 정확도를 보인 반면 미세각질, 피지과다에 대해선 낮은 정확도를 보였다.
more초록 (요약문)
Artificial intelligence technology is developing at a rapid pace, and it is applied to various industries such as finance, medical care, and consumer goods, with high accuracy and fast processing speed as advantages built through learning vast amounts of data [1]. Recently, as the number of people experiencing hair loss has rapidly increased, interest in scalp and hair care has steadily increased. Although various studies related to this are being conducted, it is difficult to say that the reliability is high because it is not easy to secure sufficient data. In addition, it is not easy to find a professional institution due to the accessibility problem of busy members of society, and the diagnoser determines the condition by himself through various media. Applying deep learning technology to scalp diagnosis not only enables experts to diagnose quickly and accurately, but also helps individuals to self-diagnose. In this paper, data was classified into 7 types: microkeratin, hypersebum, interfollicular erythema, follicular erythema/pustule, dandruff, hair loss, and good to classify the scalp condition. And the evaluation of each condition was defined as none (0), mild (1), moderate (2), and severe (3). The data imbalance problem was improved by oversampling through image augmentation for each state. In order to increase the accuracy of scalp condition classification for each type, learning and verification were conducted for each type using a deep learning-based pretrained EfficientNet-B0. Experimental results showed that image augmentation and downsampling techniques were very effective in increasing accuracy. In particular, it showed high accuracy for interfollicular erythema, follicular erythema/pustule, dandruff, and hair loss, but low accuracy for microkeratin and excessive sebum.
more