선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 쇼핑몰 상품을 시스템을 통해서 자동 카테고리 분류에 대해서 속도와 정확도를 설문 테스트와 비교 분석하였다. 동일한 테스트 이미지에 속도는 시스템이 실험 참가자가 보다 월등히 빨라 비교 내용이 아니었고 정확도는 실험 결과 수치를 통해서 실용 가능성을 확인했다.
- 본 논문에서는 이미지 기반의 자동 분류가 가능한 시스템 구축을 하였다. 시스템 구축과 데이터는 현재 운영 중인 쇼핑몰 업체의 O2O 플랫폼 쇼핑몰에 있는 약 14만 장의 이미지를 학습한 후, 테스트 이미지 100개를 이미 정의된 10개의 분류 카테고리에 정확히 분류 되는지를 속도와 함께 수치화 하였다.
제안 방법
- CNN은 이미지 데이터의 각 픽셀 간의 값을 기하학적 연관성을 가지도록 하면서 이미지의 모든 픽셀 데이터를 동시에 학습을 시킨다. 계산량이 많기 때문에 작은 필터를 이용해서 국부 지역의 패턴만을 모델링하여 복잡도를 줄이면서 전 영역 이미지를 공통적으로 모델링이 되도록 한다. 그리고 컨볼루션 필터들이 적용되는 위치는 달라도 같은 가중치값을 공유한다.
- 은 10개 카테고리의 상품 이미지 예시를 보여준다. 공산품 이미지에 많은 문자와 로고만으로 이루어진 상품이미지는 제외시켰으며 학습 성능을 높이기 위해 Augmentation을 통해 학습 데이터의 수량을 증가 시켰다. 사용한 Augmentation의 종류는 Flip(상하, 좌우), Rotation, Crop, Blur, Sharpening과 조명 변화를 포함한 6가지의 처리를 random하게 처리했다.
- 의 네트워크를 이용해 획득한 데이터의 학습을 진행한다. 네트워크의 크기와 영상 때문에 낮은 학습율(Learning rate)를 이용해 100 묶음(epoch)의 학습을 진행했다. 그림 3.
- 먼저 실험환경 및 방법에 대해서 설명하였다. 딥 러닝 학습을 위해 분류군에 의해 나누어진 14만개의 상품 데이터 이미지를 시스템에서 학습한 후, 카테고리에 있는 10개의 테스트 이미지 100개에 대해 속도와 정확도를 수치화하였다. 실험 참가자가 응답한 설문 테스트 분류 결과 값을 수치화 하였다.
- 본 시스템의 쇼핑몰에 사용되고 있는 네트워크 구조는 데이터 서버 전송에 활용되기 때문에 최대한 빠르게 동작이 가능하도록 구조를 간략화 하였다. 자동 카테고리 분류 시스템은 딥 러닝 기술 중 CNN을 이용하여 구성했다.
- 본 연구에서 제안하는 시스템은 CNN에서 가장 대중적으로 사용되는 AlexNet [18]의 축소한 형태의 네트워크를 사용했으며 3개의 Convolutional layer와 2개의 Fully connected layer, 10개의 카테고리를 구분하기 위한 Output Layer로 구성되어있다. 입력 영상의 크기는 128x128로 기존 ImageNet에서 사용한 227x227 보다는 작은 이미지를 이용했다.
- 본 장에서는 상품의 자동 카테고리 분류 시스템에 사용된 데이터와 기술을 설명하고 기술의 상용화 가능성을 판단하기 위한 설문 테스트를 통해서 사용성 테스트를 진행한다.
- 사용자가 옷 또는 신발을 선택할 경우 스타일에 맞는 양말과 액세서리를 추천해 준다[11]. 사용자가 물건을 구매 후 작성한 Review를 통해 평가한 등급을 예측한다.
- 공산품 이미지에 많은 문자와 로고만으로 이루어진 상품이미지는 제외시켰으며 학습 성능을 높이기 위해 Augmentation을 통해 학습 데이터의 수량을 증가 시켰다. 사용한 Augmentation의 종류는 Flip(상하, 좌우), Rotation, Crop, Blur, Sharpening과 조명 변화를 포함한 6가지의 처리를 random하게 처리했다. 그런 후, Augmentation을 통해 원본 데이터 보다 10배가 많은 약 14만장의 학습 데이터를 획득했다.
- 설문 마감시간은 따로 지정하지 않았고, 가능하면 상품 이미지에 대해서 신중하게 하되 직관적으로 선택하도록 한다. 설문 시간은 전체 학생이 동시에 같이 시작하여 끝나는 시간은 실험실 앞에 있는 프로젝트에서 시간을 확인 후, 자신의 설문지 파일에 소요 시간을 작성하도록 한다.
- 테스트 상품 분류 결과 값은 설문 테스지 오른쪽에 끝에 있는 분류군 내용을 보면서 각 해당 상품이미지 오른쪽에 기입하도록 한다. 설문 참가자는 각 상품 이미지가 해당되는 분류군 10개중에 1개를 선택하여 기입한 후에, 마지막에 소요 시간을 작성하게 한다. 설문 마감시간은 따로 지정하지 않았고, 가능하면 상품 이미지에 대해서 신중하게 하되 직관적으로 선택하도록 한다.
- 수치화 된 시스템의 성능과 동일한 테스트 이미지를 실험 참가자가 분류한 결과와 비교 분석을 위해서 설문 테스트를 한다. 쇼핑몰 이미지 분류 테스트를 위해 실험 참가자에게 분류군 10개에 대해서 충분히 인지가 가능하도록 설명을 한 후에 설문에 임한다.
- 0GB RAM과 NVIDIA GeForce GTS 250 비디오 카드를 사용하였다. 실험에 사용한 데이타 14만개를 10개의 카테고리( 의류, 음식, 자동차 부품, 가구, 화학 약품, 조명용품, 가전, 기계, 액세서리, 장난감)로 학습을 하였다. 테스트 데이터는 학습한 데이터 외에 있는 각 카테고리에 해당되는 이미지 10개씩을 사용을 하여 실험을 하였다.
- 입력 영상의 크기는 128x128로 기존 ImageNet에서 사용한 227x227 보다는 작은 이미지를 이용했다. 위와 같이 네트워크의 구조를 축소시키고 입력 영상까지 줄인 이유는 제안하는 시스템은 딥 러닝을 위한 GPU 기반의 고성능 시스템이 아닌 일반적인 서비스에 사용되는 서버에서도 작동이 가능하도록 하기 위한 방법이다. Output과 Pooling Layer를 제외한 모든 Layer의 출력은 ReLU Activation을 사용하며 2개의 Fully Connected layer의 출력에는 0.
- 최근의 인공지능 기술에 대해 미국의 IT 리서치 기업인 가드너가 향후 5년간 혁신 잠재력을 지닌 10대 잠재력 기술로 평가하였다. 딥 러닝 기술은 로봇, 자율주행자동차, 가전 기기 등에 응용 외에도 인터넷 쇼핑몰에 많이 응용되고 있다.
대상 데이터
- 사용한 Augmentation의 종류는 Flip(상하, 좌우), Rotation, Crop, Blur, Sharpening과 조명 변화를 포함한 6가지의 처리를 random하게 처리했다. 그런 후, Augmentation을 통해 원본 데이터 보다 10배가 많은 약 14만장의 학습 데이터를 획득했다.
- 데이터는 약 14 천개의 데이터로 이루어져 있으며 카테고리별 이미지는 동일한 카테고리로 보기 어려울 정도로 다양한 상품이 등록되어 있다. 예를 들면 음식 카테고리에 가공식품과 농작물 등이 혼재된 부분이 있었고, 가전과 조명용품 액서사리 상품 분류의 애매모호한 부분 이 있었다.
- 본 실험시스템 구축 후 실험 성능을 높이기 위해 여러 차례에 걸쳐서 분류에 방해가 되는 이미지가 있는 상품이나 과도한 텍스트나 로고가 있는 데이터는 제거를 하였다. 그런 후 상품 분류한 학습시스템에서 테스트 데이터를 이용하여 10개의 카테고리 분류에 대해 정확도 실험에 대한 결과다[그림 6].
- 전체 평균은 84%를 보였고 다만, 항목 중에 소비자 가전이 가정 적게 성공하였다. 본 실험을 위해서 정확도 성능을 높이기 위해 앞서 언급한 바와 같이 각 카테고리 분류에 방해가 되는 상품 중에 문자와 로고만으로 이루어진 공산품 이미지는 제외하였고 이미지 변형처리 통해서 각 상품 이미지를 10배로 증가한 14만장의 학습 이미지를 통해서 학습을 하였다. 전체 이미지 학습 시간은 약 12 시간이 소요되었으나 10개의 카테고리에 있는 각 10개의 이미지를 테스트하는 데는 1초 안에 처리되었다.
- 본 연구는 이미지 기반 분류를 위한 실험환경은 Intel Core i7 GPU 2.80GHz GPU, 6.0GB RAM과 NVIDIA GeForce GTS 250 비디오 카드를 사용하였다. 실험에 사용한 데이타 14만개를 10개의 카테고리( 의류, 음식, 자동차 부품, 가구, 화학 약품, 조명용품, 가전, 기계, 액세서리, 장난감)로 학습을 하였다.
- 설문 테스트지는 그림 5에서와 같이 5개의 열과 20개의 행으로 전부 100개의 이미지를 배치한다. 테스트 상품 분류 결과 값은 설문 테스지 오른쪽에 끝에 있는 분류군 내용을 보면서 각 해당 상품이미지 오른쪽에 기입하도록 한다.
- 참가자는 경기도 소재 대학교 1학년 학생 75명을 1차에서 36명(남자13명, 여자23명), 2차에서 39(남자 15명, 여자 24명)명을 대상으로 학교 컴퓨터실에서 설문테스트를 실시한다. 설문테스트 상품 100개는 시스템 분류 테스트 상품과 같은 상품을 사용하며 엑셀파일로 만든 설문 테스트 파일을 사용한다. 그림 4와 같이 실습환경은 학교의 컴퓨터 실습실에서 각자 개인별 컴퓨터 모니터를 보면서 실험을 한다.
- 쇼핑몰 이미지 분류 테스트를 위해 실험 참가자에게 분류군 10개에 대해서 충분히 인지가 가능하도록 설명을 한 후에 설문에 임한다. 쇼핑몰 사이트에서 카테고리 분류 체계를 확인하게 하고 국내 사이트인 11번가와 G마켓 등의 인터넷 쇼핑몰에서 카테고리 검색 및 문자 검색 등을 경험을 한 후에 테스트에 응하도록 한다. 참가자는 경기도 소재 대학교 1학년 학생 75명을 1차에서 36명(남자13명, 여자23명), 2차에서 39(남자 15명, 여자 24명)명을 대상으로 학교 컴퓨터실에서 설문테스트를 실시한다.
- 본 논문에서는 이미지 기반의 자동 분류가 가능한 시스템 구축을 하였다. 시스템 구축과 데이터는 현재 운영 중인 쇼핑몰 업체의 O2O 플랫폼 쇼핑몰에 있는 약 14만 장의 이미지를 학습한 후, 테스트 이미지 100개를 이미 정의된 10개의 분류 카테고리에 정확히 분류 되는지를 속도와 함께 수치화 하였다. 수치화 된 시스템의 성능은 시스템에서 사용한 동일한 테스트 이미지를 실험 참가자가 분류한 결과와 비교 분석을 통해서 사용성 테스트를 하였다.
- 본 연구에서 제안하는 시스템은 CNN에서 가장 대중적으로 사용되는 AlexNet [18]의 축소한 형태의 네트워크를 사용했으며 3개의 Convolutional layer와 2개의 Fully connected layer, 10개의 카테고리를 구분하기 위한 Output Layer로 구성되어있다. 입력 영상의 크기는 128x128로 기존 ImageNet에서 사용한 227x227 보다는 작은 이미지를 이용했다. 위와 같이 네트워크의 구조를 축소시키고 입력 영상까지 줄인 이유는 제안하는 시스템은 딥 러닝을 위한 GPU 기반의 고성능 시스템이 아닌 일반적인 서비스에 사용되는 서버에서도 작동이 가능하도록 하기 위한 방법이다.
- 제안한 시스템을 위한 데이터는 현재 운영 중인 O2O 쇼핑몰 서비스 업체에서 사용되고 있는 카테고리 중 고객 사용자가 많이 이용하는 10개의 카테고리만을 이용해 상품 분류를 진행했다. 10개의 카테고리와 학습 데이터의 수는 아래의 표 1.
- 쇼핑몰 사이트에서 카테고리 분류 체계를 확인하게 하고 국내 사이트인 11번가와 G마켓 등의 인터넷 쇼핑몰에서 카테고리 검색 및 문자 검색 등을 경험을 한 후에 테스트에 응하도록 한다. 참가자는 경기도 소재 대학교 1학년 학생 75명을 1차에서 36명(남자13명, 여자23명), 2차에서 39(남자 15명, 여자 24명)명을 대상으로 학교 컴퓨터실에서 설문테스트를 실시한다. 설문테스트 상품 100개는 시스템 분류 테스트 상품과 같은 상품을 사용하며 엑셀파일로 만든 설문 테스트 파일을 사용한다.
- 실험에 사용한 데이타 14만개를 10개의 카테고리( 의류, 음식, 자동차 부품, 가구, 화학 약품, 조명용품, 가전, 기계, 액세서리, 장난감)로 학습을 하였다. 테스트 데이터는 학습한 데이터 외에 있는 각 카테고리에 해당되는 이미지 10개씩을 사용을 하여 실험을 하였다.
데이터처리
- 실험 참가자가 응답한 설문 테스트 분류 결과 값을 수치화 하였다. 마지막으로 시스템과 설문 테스트의 결과 값을 중심으로 비교 분석을 하였다.
- 본 장에서는 구현한 이미지기반의 분류 시스템과 실험 참가자의 설문테스트 결과 값을 비교 분석한다. 먼저 실험환경 및 방법에 대해서 설명하였다.
- 시스템 구축과 데이터는 현재 운영 중인 쇼핑몰 업체의 O2O 플랫폼 쇼핑몰에 있는 약 14만 장의 이미지를 학습한 후, 테스트 이미지 100개를 이미 정의된 10개의 분류 카테고리에 정확히 분류 되는지를 속도와 함께 수치화 하였다. 수치화 된 시스템의 성능은 시스템에서 사용한 동일한 테스트 이미지를 실험 참가자가 분류한 결과와 비교 분석을 통해서 사용성 테스트를 하였다.
이론/모형
- 본 시스템의 쇼핑몰에 사용되고 있는 네트워크 구조는 데이터 서버 전송에 활용되기 때문에 최대한 빠르게 동작이 가능하도록 구조를 간략화 하였다. 자동 카테고리 분류 시스템은 딥 러닝 기술 중 CNN을 이용하여 구성했다. CNN(Convolutional Neural Network)은 이미지 인식을 위한 딥 러닝에서 가장 많이 사용되는 네트워크 모델이다[15].
성능/효과
- 그러면 하위레이어의 윤곽선 등의 특징을 상위 레이어에서 반영된 형상으로 학습하게 되는 효과를 가져 온다. 결과적으로 계층이 올라갈수록 점차 추상화 정도가 높은 도형, 물체를 단계적으로 인식한다. [16][17].
- 의류는 테스트 데이터가 옷 중심으로 대체적으로 판단이 쉬웠으며 가구 또한 다는 분류군과 형상 비교 판단에서 다소 쉬웠던 것으로 판단된다. 그리고 시스템과 설문 참가자의 분류 결과 중에 유일하게 카테고리 중에 음식에서 설문 결과가 설문 참가자가 더 높게 나왔다. 이유는 음식 상품의 상당 부분이 가공식품으로 평소에 가공식품에 익숙해 있는 설문 참가자가 유리 했을 것으로 판단된다.
- 본 논문에서는 쇼핑몰 상품을 시스템을 통해서 자동 카테고리 분류에 대해서 속도와 정확도를 설문 테스트와 비교 분석하였다. 동일한 테스트 이미지에 속도는 시스템이 실험 참가자가 보다 월등히 빨라 비교 내용이 아니었고 정확도는 실험 결과 수치를 통해서 실용 가능성을 확인했다. 향후에는 카테고리 분류 시스템을 통해서 쇼핑몰 플랫폼에서 다양한 서비스가 가능하도록 한다.
- 시스템에서는 카테고리 별로 테스트 이미지를 테스트 하였는데 각 카테고리 분류 별로 시스템에서 테스트한 결과 틀린 개수가 각 카테고리 당 그림 9에서와 같이 0 ∼ 4개 정도가 틀린 결과가 나왔다. 설문 참가자의 결과 중에 가전의 결과가 30.0%와 액서사리는 32.3%로 가장 낮게 나왔다. 가전의 일부 상품을 판단하는데 자동차 오토바이 부품과 조명과의 선택에서 액서사리는 의류와 선택에서 애매한 부분이 있었다고 판단된다.
- 시스템에서는 카테고리 별로 테스트 이미지를 테스트 하였는데 각 카테고리 분류 별로 시스템에서 테스트한 결과 틀린 개수가 각 카테고리 당 그림 9에서와 같이 0 ∼ 4개 정도가 틀린 결과가 나왔다.
- 이와 같이 분류 정의 자체가 양쪽에 또는 그 이상에 나오는 애매한 상품에 대해서는 모든 상품 카테고리에 포함해서 사용되어 있는데 그 기준을 어느 정도로 해야 되는지의 판단이 필요할 것으로 보인다. 실험 참가자 75명이 설문 테스트 소요시간은 전체 평균이 409초가 소요되었다.
- 본 실험을 위해서 정확도 성능을 높이기 위해 앞서 언급한 바와 같이 각 카테고리 분류에 방해가 되는 상품 중에 문자와 로고만으로 이루어진 공산품 이미지는 제외하였고 이미지 변형처리 통해서 각 상품 이미지를 10배로 증가한 14만장의 학습 이미지를 통해서 학습을 하였다. 전체 이미지 학습 시간은 약 12 시간이 소요되었으나 10개의 카테고리에 있는 각 10개의 이미지를 테스트하는 데는 1초 안에 처리되었다. 상용화 시 상품 이미지를 분류 또는 검색하는 경우에 응답 속도 문제는 없을 것으로 보인다.
- 5% 성공하였다. 전체 평균은 60.5%를 보였고 다만, 항목 중에 소비자 가전이 가정 적게 성공하였다. 이와 같은 결과는 장난감 자동차로 분류되어 있는 상품이 자동차 부품에 분류로 많이 선택하여 틀리기 쉬운 항목이었다.
- 실험 시스템과 설문 참가자의 각 카테고리 정확도 결과이다 [그림 8]. 전체 평균이 약 80.5%의 성공률을 보였다, 이와 같은 결과는 실험 참가자의 판단에 의한 분류 성공률 64.7% 보다 약 16%의 빠르게 결과가 나왔다.
- 실험 참가자의 정확도는 아래의 그림 7과 같다. 학습된 상품 외에 각 카테고리에 선택한 10개의 테스트 이미지 정확도가 농업에서는 66% , 의류에서는 67 % 성공하였고 자동차 및 오토바이는 80.5% 성공하였다. 전체 평균은 60.
후속연구
- 구매 사용자가 스마트폰으로 상품의 이미지를 촬영하거나 캡처하여 상품의 이미지를 서버로 전송하면, 서버에서 결과 이미지를 사용자에게 전송하는 시스템으로 이루어진다. 쇼핑몰에서 본 시스템 기술을 활용하여 모바일 환경에서 서버와 연동하여 유사 상품 검색과 자동 가격 비교 대한 연구를 수행할 것이다.
- 시스템의 성능을 높이기 위해서는 이와 같은 문제해결을 위한 기술이 필요하다. 쓸모없는 배경 이미지 정제 기술과 텍스트나 로고 제거 기술 등을 통해서 테스트 데이터의 질을 높였을 경우에 좀 더 높은 분류 성능이 가능할 것으로 보인다. 더군다나 본 시스템에서 사용된 이미지는 B2B 또는 B2C 기반의 쇼핑몰 플랫폼 상품 이미지로 쇼핑몰 관리자가 아닌 판매자가 직접 찍어서 등록한 이미지가 많이 있었는데 데이터로 활용되는 데는 문제점이 있는 이미지가 많이 있었다.
- 동일한 테스트 이미지에 속도는 시스템이 실험 참가자가 보다 월등히 빨라 비교 내용이 아니었고 정확도는 실험 결과 수치를 통해서 실용 가능성을 확인했다. 향후에는 카테고리 분류 시스템을 통해서 쇼핑몰 플랫폼에서 다양한 서비스가 가능하도록 한다. 상품 판매자가 이미지 기반으로 상품 자동 분류를 하고 구매 사용자는 이미지 기반 상품 자동 검색을 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.