Metamorphic Relations를 이용한 이미지 분류 딥러닝 모델의 정확성 평가 방법 Accuracy Evaluation Method of Image Classification Deep Learning Model Using Metamorphic Relations원문보기
이미지 분류 딥러닝 모델은 학습 이미지 데이터를 학습하여 테스트 이미지 데이터의 종류를 예측하는 모델이다. 이미지 분류 딥러닝 모델은 네이버 스마트 렌즈, 구글 이미지 검색등에 사용된다. 그러나 동일한 이미지를 각도만 변경하여 촬영하고 네이버 스마트 렌즈에 검색하면 원래 이미지의 종류와 다른 종류로 검색 결과가 나타나는 문제점이 있다. 따라서 이미지 분류 딥러닝 모델은 이미지의 각도 변경 등을 통해 다양한 테스트를 수행할 필요성이 요구된다. 이미지 분류 딥러닝 모델의 Cross Entropy는 테스트 이미지의 예측 결과가 실제 결과와 어느 정도 차이가 있는지 판별하는 척도로 사용될 수 있다. 올바르게 분류한 테스트 데이터의 Cross Entropy값이 일정 값 이상인 경우 동일한 테스트 이미지에 회전을 적용하면 오분류한 테스트 데이터가 되는 경우가 발생한다. 따라서 이미지 분류 딥러닝 모델의 정확성 평가에 Cross Entropy를 함께 고려할 필요성이 있다. 본 연구에서는 테스트 데이터에 회전과 같은 변형을 적용할 Metamorphic Relation을 정의하여 새로운 테스트 데이터를 생성하고 이미지 분류 딥러닝 모델의 테스트를 수행한다. 그리고 Cross Entropy를 고려한 잠재적 오분류 데이터를 분석하고 기존의 정확성 평가 방법보다 엄격한 딥러닝 모델의 정확성 평가 방법을 제안한다. 그리고 ...
이미지 분류 딥러닝 모델은 학습 이미지 데이터를 학습하여 테스트 이미지 데이터의 종류를 예측하는 모델이다. 이미지 분류 딥러닝 모델은 네이버 스마트 렌즈, 구글 이미지 검색등에 사용된다. 그러나 동일한 이미지를 각도만 변경하여 촬영하고 네이버 스마트 렌즈에 검색하면 원래 이미지의 종류와 다른 종류로 검색 결과가 나타나는 문제점이 있다. 따라서 이미지 분류 딥러닝 모델은 이미지의 각도 변경 등을 통해 다양한 테스트를 수행할 필요성이 요구된다. 이미지 분류 딥러닝 모델의 Cross Entropy는 테스트 이미지의 예측 결과가 실제 결과와 어느 정도 차이가 있는지 판별하는 척도로 사용될 수 있다. 올바르게 분류한 테스트 데이터의 Cross Entropy값이 일정 값 이상인 경우 동일한 테스트 이미지에 회전을 적용하면 오분류한 테스트 데이터가 되는 경우가 발생한다. 따라서 이미지 분류 딥러닝 모델의 정확성 평가에 Cross Entropy를 함께 고려할 필요성이 있다. 본 연구에서는 테스트 데이터에 회전과 같은 변형을 적용할 Metamorphic Relation을 정의하여 새로운 테스트 데이터를 생성하고 이미지 분류 딥러닝 모델의 테스트를 수행한다. 그리고 Cross Entropy를 고려한 잠재적 오분류 데이터를 분석하고 기존의 정확성 평가 방법보다 엄격한 딥러닝 모델의 정확성 평가 방법을 제안한다. 그리고 CIFAR-10, CIFAR-100, Fashion-MNIST, STL-10 데이터를 사용하여 학습한 ResNet-32, ResNet-56 모델을 대상으로 본 연구에서 제안한 딥러닝 모델의 정확성 평가 방법을 적용하여 정확성을 평가하였다.
이미지 분류 딥러닝 모델은 학습 이미지 데이터를 학습하여 테스트 이미지 데이터의 종류를 예측하는 모델이다. 이미지 분류 딥러닝 모델은 네이버 스마트 렌즈, 구글 이미지 검색등에 사용된다. 그러나 동일한 이미지를 각도만 변경하여 촬영하고 네이버 스마트 렌즈에 검색하면 원래 이미지의 종류와 다른 종류로 검색 결과가 나타나는 문제점이 있다. 따라서 이미지 분류 딥러닝 모델은 이미지의 각도 변경 등을 통해 다양한 테스트를 수행할 필요성이 요구된다. 이미지 분류 딥러닝 모델의 Cross Entropy는 테스트 이미지의 예측 결과가 실제 결과와 어느 정도 차이가 있는지 판별하는 척도로 사용될 수 있다. 올바르게 분류한 테스트 데이터의 Cross Entropy값이 일정 값 이상인 경우 동일한 테스트 이미지에 회전을 적용하면 오분류한 테스트 데이터가 되는 경우가 발생한다. 따라서 이미지 분류 딥러닝 모델의 정확성 평가에 Cross Entropy를 함께 고려할 필요성이 있다. 본 연구에서는 테스트 데이터에 회전과 같은 변형을 적용할 Metamorphic Relation을 정의하여 새로운 테스트 데이터를 생성하고 이미지 분류 딥러닝 모델의 테스트를 수행한다. 그리고 Cross Entropy를 고려한 잠재적 오분류 데이터를 분석하고 기존의 정확성 평가 방법보다 엄격한 딥러닝 모델의 정확성 평가 방법을 제안한다. 그리고 CIFAR-10, CIFAR-100, Fashion-MNIST, STL-10 데이터를 사용하여 학습한 ResNet-32, ResNet-56 모델을 대상으로 본 연구에서 제안한 딥러닝 모델의 정확성 평가 방법을 적용하여 정확성을 평가하였다.
The Image Classification Deep Learning model is a model that predicts the type of test image data by learning the learning image data. Image classification Deep Learning models are used for Naver's Smart Lens and Google's. However, there is a problem with changing the angle of the same image and sea...
The Image Classification Deep Learning model is a model that predicts the type of test image data by learning the learning image data. Image classification Deep Learning models are used for Naver's Smart Lens and Google's. However, there is a problem with changing the angle of the same image and searching on Naver's smart lens that results in different types of search from the original image. Therefore, the image classification Deep Learning model needs to perform various tests, such as changing the angle of the image. The Cross Entropy of the image classification Deep Learning model can be used as a measure to determine how far the predicted results of the test image differ from the actual results. If the Cross Entropy value of the correctly classified test data is more than a certain value, applying rotation to the same test image often results in misclassified test data. Therefore, there is a need to consider Cross Entropy together in evaluating the accuracy of the image classification deep learning model. In this paper, the Metamorphic Relation to be applied to test data, such as rotation, is defined to generate new test data and to perform tests on image classification deep learning models. It also analyzes potential misclassification data considering Cross Entropy and proposes an accurate evaluation method of deep learning model, which is stricter than conventional accuracy evaluation method. In addition, accuracy was evaluated by applying the method of accuracy evaluation of the proposed deep learning model in this study to the models of ResNet-32, ResNet-56, which were learned using CIFAR-10, CIFAR-100, Fashion-MNIST, and STL-10 data.
The Image Classification Deep Learning model is a model that predicts the type of test image data by learning the learning image data. Image classification Deep Learning models are used for Naver's Smart Lens and Google's. However, there is a problem with changing the angle of the same image and searching on Naver's smart lens that results in different types of search from the original image. Therefore, the image classification Deep Learning model needs to perform various tests, such as changing the angle of the image. The Cross Entropy of the image classification Deep Learning model can be used as a measure to determine how far the predicted results of the test image differ from the actual results. If the Cross Entropy value of the correctly classified test data is more than a certain value, applying rotation to the same test image often results in misclassified test data. Therefore, there is a need to consider Cross Entropy together in evaluating the accuracy of the image classification deep learning model. In this paper, the Metamorphic Relation to be applied to test data, such as rotation, is defined to generate new test data and to perform tests on image classification deep learning models. It also analyzes potential misclassification data considering Cross Entropy and proposes an accurate evaluation method of deep learning model, which is stricter than conventional accuracy evaluation method. In addition, accuracy was evaluated by applying the method of accuracy evaluation of the proposed deep learning model in this study to the models of ResNet-32, ResNet-56, which were learned using CIFAR-10, CIFAR-100, Fashion-MNIST, and STL-10 data.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.