데이터 수집 작업 최소화를 위한 few-shot classifier에 대한 연구
A Study on Few-shot Classifier to Minimize the Process of Data Collection
- 주제어 (키워드) 이미지 분류; few-shot classifier
- 발행기관 서강대학교 정보통신대학원
- 지도교수 박운상
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제URI http://www.dcollection.net/handler/sogang/000000076972
- UCI I804:11029-000000076972
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
인간의 이미지에 대한 인식은 고도로 발달 되어있다. 단 몇 장의 이미지만 주어져 있어도 어떤 이미지인지 분류해낼 수 있으며, 이미지의 왜곡 등에도 이미지 분류에 대해 큰 영향을 미치지 않는다. 이런 인간의 이미지 분류 능력을 모방하여 현재 이미지 관련 인공지능 분야에서는 few-shot learning에 대한 많은 연구가 개발되었으며 더 적은 양의 데이터로도 좋은 성능의 분류기를 만들어 낼 수 있는 방법론이 등장하였다. 좋은 분류기 개발을 위해 많은 데이터를 수집하기 위한 비용은 상당하다. 특히 제조에서는 양품과 불량 제품을 잘 분류해내는 것이 중요한데, 이는 고객에게 좋은 제품을 제공하고 신뢰를 쌓기 위해서는 양품에 불량이 섞이지 않을 수 있도록 사전에 분류하여 고객사에 납품을 해야 되기 때문이다. 기존에는 사람이 양품과 불량을 분류해 냈다면, 이제는 인공지능을 활용하여 사람이 아닌 기계가 분류해낼 수 있도록 기계학습으로 전환되는 추세이다. 과거에는 좋은 분류기를 만들기 위해 양품과 거의 상응하는 불량의 제품이 있어야 그 이미지들을 통해 알고리즘을 학습시킬 수 있었다. 하지만 few-shot learning의 기법을 활용하여 적은 양의 이미지로 분류 성능을 높일 수 있는 방법이 있고, 본 연구에서는 몇 장의 이미지가 확보되어야지 분류 성능 80%이상을 만족시킬 수 있는지에 대한 Guide line을 제시하고자 한다. 실험을 통해 확인된 결과로는 이미지 수가 많으면 많을수록 분류 성능이 점진적으로 증가함을 확인했으며, 분류 class가 늘어날수록 더 많은 양의 이미지가 있어야 좋은 성능을 가져옴을 확인할 수 있었다. 또한 알고리즘에서 layer의 깊이가 더 깊은 알고리즘을 backbone모델로 사용했을 때 더 적은 양의 이미지로도 좋은 성능을 확보할 수 있음을 확인하였다.
more초록
The perception of human for images is highly developed. Even if only a few images are given, it is possible for human beings to classify which image it is, and distortion of images do not significantly affect their image classification capabilities. By imitating this human intelligence in image classification, many studies on few-shot learning have been developed in the field of image-related artificial intelligence, and a lot of methodologies have emerged to make good performance classifiers with less data. The cost of collecting a large amount of data is significant. It is important to classify good and defective products well in manufacturing process. To provide good products to customers and build trust with them, it is necessary to correctly classify products’ quality in advance. Previously, people manually classified good and bad products, but now the power is shifting to machine learning so that machines, not humans, can classify them using artificial intelligence. In the past, to make a good classifier, algorithms require lots of defective products’ images as well as those of good quality products’ images. However, there is a way to improve classification performance with a small number of images using the technique of few- shot learning. This thesis like to present a guideline on how many images must be secured to satisfy the classification performance of 80% or more. As a result of the experiment, it is confirmed that the higher the number of images, the more the classification performance gradually increased. Also, as the number of classes increases, a larger number of images are needed to achieve a good performance. In addition, while conducting a comparative experiment with ResNet-12 and ResNet-34 as backbone models in the classification methods, it is confirmed that good performance could be obtained even with a smaller number of images when a deeper backbone model is used.
more목차
제 1 장 서론 1
제 1 절 연구 배경 및 목적 1
제 2 절 논문 구성 3
제 2 장 본론 4
제 1 절 이미지 분류 모델의 발전 4
제 2 절 Few-shot classification에 관한 연구 8
제 3 장 설계 및 구현 13
제 1 절 데이터 설명 13
제 2 절 실험 설계 및 알고리즘 설명 15
제 4 장 실험 및 성능분석 18
제 1 절 실험 환경 18
제 2 절 실험 결과 19
2.1 ResNet-12를 few-shot learning backbone으로 사용한 실험 19
2.2 ResNet-34를 few-shot learning backbone으로 사용한 실험 21
2.3 ResNet-12와 ResNet-34의 비교 25
제 3 절 보완 대책 26
제 5 장 결론 28
참고문헌 30
