03. 이미지 분류

• 딥러닝 기반 이미지 분류

• 컴퓨터에서 이미지는 매트릭스 형태로 표현되고 처리
• 시점, 크기, 회전, 조명 변화, 가려짐 등으로 인하여 분류가 어려움

• 기존의 이미지 분류 방법은 처리에 유리한 정보를 추출하고 분류기를 학습

• 딥러닝 기반 방법은 Deep Neural Network를 이용하여 피쳐 추출과 분류기 학습을 동시에 수행

Deep Neural Network(DNN), Convolution Neural Network(CNN), Deep Convolution Neural Network(DCNN)

 

• Convolution Layer

• convolution: 필터(가중치)를 이미지에 슬라이드 하면서, 이미지와 필터의 각 원소끼리 곱하고, 그 결과를 모두 더하는 연산
• Feature map을 생성

2D filter

3D filter

 

• Pooling Layer

• Translational Invariance: Feature가 조금 달라지더라도, 모델의 출력값은 동일해야 함/ Feature map의 크기를 줄임
• Max pooling이 일반적으로 가장 효과적

 

• Fully-connected layer

• 마지막 layer/ 입력 값이 각 클래스에 속할 확률을 반환

• 역전파 알고리즘

• 모델의 가중치를 최적화하여 인공신경망이 입력과 출력을 어떻게 대응시킬지 배우는 과정
• 인공신경망의 출력의 미분을 계산

• 가중치 업데이트 시점

온라인 학습: 각 학습데이터 마다/ Batch학습: 모든 학습 데이터를 연산한 이후

 

• AlexNet

• ResNet

• Precision/ Recall/ Accuracy

• AlexNet 실습

• 필요 라이브러리 호출

• AlexNet 모델 호출

• 데이터 전처리: 크기 조정/ tensor변환/ 이미지 정규화

• 데이터 셋 로딩: datasets.ImageFolder이하의 폴더 별로 수정