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
- 따라서 본 논문에서는 사전에 미리 메타 모델을 학습하여 소량의 수완부 X-ray 영상으로 골 성숙도를 판별하는 네트워크를 제안하고자 한다. 또한, 개인 정보 보호 등으로 인해 대량의 데이터 확보가 어려운 의료 분야의 메타 학습을 이용한 데이터 분류의 가능성을 제시한다.
- 따라서 본 논문에서는 사전에 미리 메타 모델을 학습하여 소량의 수완부 X-ray 영상으로 골 성숙도를 판별하는 네트워크를 제안하고자 한다. 또한, 개인 정보 보호 등으로 인해 대량의 데이터 확보가 어려운 의료 분야의 메타 학습을 이용한 데이터 분류의 가능성을 제시한다. 제안하는 시스템은 부류 별 20장의 수완부 X-ray 영상을 학습하여 5개의 부류를 분류하는 것을 목표로 한다.
- 따라서 본 논문에서는 사전에 미리 메타 모델을 학습하여 소량의 수완부 X-ray 영상으로 골 성숙도를 판별하는 네트워크를 제안하고자 한다. 또한, 개인 정보 보호 등으로 인해 대량의 데이터 확보가 어려운 의료 분야의 메타 학습을 이용한 데이터 분류의 가능성을 제시한다.
- 또한, 개인 정보 보호 등으로 인해 대량의 데이터 확보가 어려운 의료 분야의 메타 학습을 이용한 데이터 분류의 가능성을 제시한다. 제안하는 시스템은 부류 별 20장의 수완부 X-ray 영상을 학습하여 5개의 부류를 분류하는 것을 목표로 한다. 본 논문에서 사용하는 메타 학습 방법인 MAML(Model-Agnostic MetaLearning)[3]은 다양한 학습과제로 이루어진 메타 데이터 셋을 이용하여 모델을 사전에 학습한 후 이 모델을 이용하여 학습되지 않은 새로운 데이터 셋에 대해 적은 양의 데이터량 만으로 비교적 좋은 성능을 보인다.
제안 방법
- 먼저 메타 학습의 한 방법인 MAML(Model-Agnostic Meta Learning) 방법을 이용하여 다양한 학습과제로 이루어진 별도의 데이터를 사용하여 메타 모델을 학습한다. 그 후 학습된 메타 모델을 사용하여 수완부 X-ray 영상을 성숙 단계별로 분류한다. 이때 수완부 영상은 6개의 ROI를 지정하여 각 영역에 대한 분류 결과를 봇팅(votting)하여 최종 성능을 나타낸다.
- 성능 지표인 정확도는 검증에 사용한 75장의 데이터 중 자신의 부류에 옳게 분류 된 데이터 수의 비를 퍼센트로 나타내었다. 기존의 학습 방법인 Base Learning과 메타 학습 방법을 비교하였으며 각각의 방법들은 사전에 학습된 컨볼루션 층의 가중치를 사용한 Pre-trained 방법과 임의로 초기화된 가중치를 처음부터 학습하는 Scratch 방법 두 가지를 사용하였다. 또한 결과는 메타 검증 데이터 셋과 실제 분류하고자 하는 수완부 영상 데이터 셋을 사용하였다.
- 비교실험으로는 학습에 사용할 데이터 량이 작을 때 일반적으로 사용하는 전이학습(Transfer Learning) 방법과 임의로 초기화된 모델을 처음부터 학습하는 scratch 학습 방법으로 같은 양의 데이터를 학습하여 결과를 비교한다. 두 가지 방법에 대해 메타 학습을 적용한 결과와 일반적으로 학습한 결과를 각각 실험하고 비교한다.
- 두 번째로 실제 학습하고자 하는 수완부 영상 데이터를 사용하여 분류 정확도를 평가한다. 이 역시 앞선 방법과 마찬가지로 각 부류 당 학습 샘플 20장, 검증 샘플 15장을 이용해 메타 학습 방법과 Base Learning을 이용한 방법으로 모델을 각각 학습한다.
- 영상 처리를 영상의 모든 영역에 대해 수행하게 되면 문제 해결에 중요한 영향을 미치는 정보가 작은 영역에 집중되어 있을 경우 모든 영역에 대해 연산을 하는 것이 비효율적이다. 따라서 작은 크기의 ROI(Region of Interest)를 지정하여 그 영역만 연산에 포함하는 방법을 사용한다. 이들은 골 성숙도 판단에 큰 영향을 미치는 엄지, 중지, 약지의 골단(epiphyseal) 영역이다.
- 하지만 이 경우 한 부류에 속하는 영상이 최소 12장에서 최대 200장 이상으로 부류 간 데이터 량의 차이가 아주 심한 경우가 발생한다. 따라서 최소한의 학습데이터 확보를 위해 이웃한 두 부류끼리 데이터를 병합하여 5개의 부류로 성숙도를 구분한다. 병합 전과 후 부류 별 영상 수는 Table 1과 같다.
- 비교실험을 위해 동일한 100장의 샘플을 사용해 일반적인 전이학습과 성능을 비교하였으며 메타 학습이 더 높은 성능을 보임을 확인하였다. 먼저 메타 학습의 한 방법인 MAML(Model-Agnostic Meta Learning) 방법을 이용하여 다양한 학습과제로 이루어진 별도의 데이터를 사용하여 메타 모델을 학습한다. 그 후 학습된 메타 모델을 사용하여 수완부 X-ray 영상을 성숙 단계별로 분류한다.
- 컨볼루션 신경망은 특징 추출과 분류를 동시에 수행하여 사용자가 특징을 모델링 하는 과정이 필요하지 않으며 영상 인식, 검출에서 아주 뛰어난 성능을 보이는 방법이다. 본 논문에서는 공공 데이터 셋으로 제공되는 TinyImageNet[6], Cifar100[7]데이터 셋을 사용하여 사전에 메타 모델을 학습한 후 이 모델을 사용해 각 단계별 20장의 데이터로 5개의 성숙 단계를 분류한다. 이때 골 성숙도를 판별하는데 중요한 영역인 손가락 마디 6개를 ROI(Region of Interest)로 잘라내어 학습 데이터로 사용한다.
- 본 논문에서는 딥 러닝 기반의 메타 학습을 이용해 적은 양의 학습 데이터만으로 수완부 영상에서 골 성숙도를 분류한다. 메타 모델은 적은 수의 샘플만이 포함된 데이터 셋을 여러 개 이용하여 학습을 반복하며 손실에 민감한 가중치를 갖도록 훈련된다.
- 본 연구에서는 5개의 골 성숙도 부류를 분류하는 것이 목표이므로 메타 데이터 셋 역시 5개의 부류로 이루어진 학습 과제로 구성한다. 각 과제는 한 부류당 20개의 학습데이터, 15개의 테스트 데이터를 가지는 5개의 부류로 구성된다.
- 이때 골 성숙도를 판별하는데 중요한 영역인 손가락 마디 6개를 ROI(Region of Interest)로 잘라내어 학습 데이터로 사용한다. 비교실험으로는 학습에 사용할 데이터 량이 작을 때 일반적으로 사용하는 전이학습(Transfer Learning) 방법과 임의로 초기화된 모델을 처음부터 학습하는 scratch 학습 방법으로 같은 양의 데이터를 학습하여 결과를 비교한다. 두 가지 방법에 대해 메타 학습을 적용한 결과와 일반적으로 학습한 결과를 각각 실험하고 비교한다.
- 전이 학습은 사전 학습된 컨볼루션 층의 가중치는 고정하거나 가장 마지막의 컨볼루션 층만을 학습 과정에 포함하고 분류를 담당하는 완전연결 층의 가중치를 실제 학습하고자 하는 데이터로 학습하여 적은 데이터만으로 과적합을 피하면서 학습할 수 있는 방법이다. 실험에서는 동일한 컨볼루션 층의 가중치를 가지면서 메타 학습으로 완전 연결 층의 가중치를 학습한 결과와 일반적인 전이 학습 방법으로 완전 연결 층의 가중치를 학습한 결과를 비교한다. 층과 가중치의 개수에 비해 좋은 성능을 내는 모델 구조인 VGG16[9]의 구조를 참고하여 신경망을 구성하였다.
- 모든 네트워크의 가중치를 사전 학습 없이 초기 가중치로부터 학습하는 방법을 scratch 학습이라고 한다. 실험에서는 메타 학습으로 모든 가중치를 학습한 결과와 모든 가중치를 일반적인 Base Learning 으로 학습한 결과를 비교한다. 이 경우 MAML에서 사용했던 신경망 구조를 참고하여 3 × 3 크기의 컨볼루션 필터가 깊이 64개로 구성된 컨볼루션 블록 7개, 노드 256개인 완전 연결 층 3개로 구성된다.
- 두 번째로 실제 학습하고자 하는 수완부 영상 데이터를 사용하여 분류 정확도를 평가한다. 이 역시 앞선 방법과 마찬가지로 각 부류 당 학습 샘플 20장, 검증 샘플 15장을 이용해 메타 학습 방법과 Base Learning을 이용한 방법으로 모델을 각각 학습한다.
- 이때 특징 추출을 위해 사전에 학습된 VGG16 모델의 컨볼루션 가중치를 사용한 Pre-trained 방법과 초기화된 가중치를 처음부터 학습하는 Scratch 방법을 이용해 그 성능을 비교한다.
- 3장에서는 본 논문에서 사용하는 메타 학습 기법 중 하나인 Model-Agnotsic Meta Learning(MAML) 알고리즘을 소개하고, 4장에서는 골 성숙도 판별 문제에 적용하는 방법과 데이터 준비과정에 대해 설명한다. 이때 학습 데이터가 적을 경우 사용하던 기존의 방법인 전이 학습과 메타 학습의 결과를 비교한다. 마지막으로 5장에서 본 연구의 결론에 대해 서술한다.
- 7에서 중지 첫마디는 연령이 올라갈수록 마디의 간격이 좁아지는 반면 끝마디는 연령 별로 마디의 간격이나 너비에 변화가 적다. 이러한 이유로 인해 영역 별로 분류 성능에 편차가 존재하므로 실험에서는 각 영역 별로 최대값을 가지는 부류를 봇팅(votting)하여 가장 많이 봇팅된 부류를 최종 부류로 선정한다. 이때 각 영역 별로 가중을 동일하게 부여하여 봇팅하는데 실제 영역 별로 분류 결과에 성능 차이가 있으므로 가중을 다르게 부여한다면 최종 분류 결과가 더 정확할 것이다.
- 이후 Ti의 검증 샘플을 전달받은 학습자는 학습된 가중치를 이용해 테스트 샘플의 부류를 예측하여 실제 부류에 대한 손실 LTi(fθ)을 계산한다.
- 그 결과 학습자의 가중치는 해당 분류 문제에 최적화된 가중치를 갖게 된다. 이후 해당 분류 문제의 검증 샘플을 이용하여 실제 부류와 학습자를 통해 예측된 값 사이의 손실과 그 손실에 대한 그래디언트를 계산한다. 이 그래디언트는 다시 메타 학습자에게 전달되며 메타 학습자는 이 그래디언트를 이용하여 자신의 가중치를 업데이트한다.
- 제안하는 방법의 성능을 평가하기 위해 다음 두 데이터 셋에 대해 실험을 진행하였다. 첫 번째로, 메타 학습에 사용했던 메타 데이터 셋의 검증 샘플을 사용하여 성능을 평가한다.
- 이때 각 데이터 셋에 대해서 두 가지의 학습 방법을 사용한다. 첫 번째로 컨볼루션 신경망에서 분류를 담당하는 완전 연결 층의 가중치 업데이트에만 메타 학습 방법을 적용한다. 이는 기존에 학습할 데이터 량이 적을 때 사용하는 전이 학습(Transfer Learning)과 유사하다.
- 제안하는 방법의 성능을 평가하기 위해 다음 두 데이터 셋에 대해 실험을 진행하였다. 첫 번째로, 메타 학습에 사용했던 메타 데이터 셋의 검증 샘플을 사용하여 성능을 평가한다. 메타 학습자 학습에 사용되었던 TinyImageNet과 Cifar100 데이터 셋 중 학습에 사용하지 않은 부류 중 5개를 임의로 선정하여 부류 당 20장의 영상을 사용해 학습한 후 15장의 검증 샘플로 성능을 평가한다.
- 실험에서는 동일한 컨볼루션 층의 가중치를 가지면서 메타 학습으로 완전 연결 층의 가중치를 학습한 결과와 일반적인 전이 학습 방법으로 완전 연결 층의 가중치를 학습한 결과를 비교한다. 층과 가중치의 개수에 비해 좋은 성능을 내는 모델 구조인 VGG16[9]의 구조를 참고하여 신경망을 구성하였다. 신경망의 구조는 Fig.
- 학습자는 이 가중치를 전달받는 동시에 메타 학습자의 그래디언트 업데이트에 사용되었던 Ti의 학습 샘플을 다시 전달받는다. 학습자는 이 학습 샘플을 이용해 여러 번의 그래디언트 업데이트를 수행하여 입력된 학습 샘플을 학습한다. 메타 학습자와 학습자의 그래디언트 업데이트는 식 (1)과 같으며 Fig.
대상 데이터
- ROI가 영상 당 6개 이므로 총 175 × 6 = 1050장의 64 × 64 크기 영상 데이터가 학습에 사용된다.
- 성숙도는 총 5단계로 구분하며 각 단계 당 20장만의 영상을 학습에 사용하고 15장의 영상을 검증에 사용한다. 따라서 총 175장의 수완부 영상이 학습에 사용된다. 이때 전체 수완부 영상 보다는 각 손가락의 마디 같은 국소 영역이 골 성숙도 판별에 효율적이므로 512×512 크기의 전체 영상에서 6개의 ROI(Region of Interest)영역을 선정했다.
- 메타 학습자 학습에 사용되었던 TinyImageNet과 Cifar100 데이터 셋 중 학습에 사용하지 않은 부류 중 5개를 임의로 선정하여 부류 당 20장의 영상을 사용해 학습한 후 15장의 검증 샘플로 성능을 평가한다. 따라서 총 75장의 샘플이 검증에 사용된다. 또한 동일한 학습샘플 100장과 검증 샘플 75장을 사용하여 일반적인 Base Learning 방법으로 모델을 학습한 결과와 성능을 비교한다.
- 각 과제는 한 부류당 20개의 학습데이터, 15개의 테스트 데이터를 가지는 5개의 부류로 구성된다. 따라서 한 과제당 175개의 영상을 포함한다. 학습에는 100개의 샘플이, 테스트에는 75개의 샘플이 사용된다.
- 기존의 학습 방법인 Base Learning과 메타 학습 방법을 비교하였으며 각각의 방법들은 사전에 학습된 컨볼루션 층의 가중치를 사용한 Pre-trained 방법과 임의로 초기화된 가중치를 처음부터 학습하는 Scratch 방법 두 가지를 사용하였다. 또한 결과는 메타 검증 데이터 셋과 실제 분류하고자 하는 수완부 영상 데이터 셋을 사용하였다. 메타 검증 데이터 셋을 사용한 결과는 Table 2에 나타내었다.
- 첫 번째로, 메타 학습에 사용했던 메타 데이터 셋의 검증 샘플을 사용하여 성능을 평가한다. 메타 학습자 학습에 사용되었던 TinyImageNet과 Cifar100 데이터 셋 중 학습에 사용하지 않은 부류 중 5개를 임의로 선정하여 부류 당 20장의 영상을 사용해 학습한 후 15장의 검증 샘플로 성능을 평가한다. 따라서 총 75장의 샘플이 검증에 사용된다.
- 부류 별 학습데이터를 5, 10, 20장으로 늘려가며 학습하였으며 테스트 샘플은 모든 경우 부류 당 15장으로 고정하였다.
- 수완부 영상의 학습데이터는 5-18세 영유아 및 청소년의 수완부 X-ray 영상 865장으로 구성된다. 성숙도는 총 5단계로 구분하며 각 단계 당 20장만의 영상을 학습에 사용하고 15장의 영상을 검증에 사용한다. 따라서 총 175장의 수완부 영상이 학습에 사용된다.
- 수완부 영상의 학습데이터는 5-18세 영유아 및 청소년의 수완부 X-ray 영상 865장으로 구성된다. 성숙도는 총 5단계로 구분하며 각 단계 당 20장만의 영상을 학습에 사용하고 15장의 영상을 검증에 사용한다.
- 한 배치에는 2개의 과제가 포함되므로 한 배치에는 학습 샘플 200개, 테스트 샘플 150개로 총 350개의 데이터가 포함된다. 실험 과정에서는 300부류 중 임의로 10개의 부류를 선정하여 하나의 배치에 들어갈 2개의 과제를 구성했으며 이러한 배치 10000개를 생성하여 실험에 사용하였다.
- 본 논문에서는 공공 데이터 셋으로 제공되는 TinyImageNet[6], Cifar100[7]데이터 셋을 사용하여 사전에 메타 모델을 학습한 후 이 모델을 사용해 각 단계별 20장의 데이터로 5개의 성숙 단계를 분류한다. 이때 골 성숙도를 판별하는데 중요한 영역인 손가락 마디 6개를 ROI(Region of Interest)로 잘라내어 학습 데이터로 사용한다. 비교실험으로는 학습에 사용할 데이터 량이 작을 때 일반적으로 사용하는 전이학습(Transfer Learning) 방법과 임의로 초기화된 모델을 처음부터 학습하는 scratch 학습 방법으로 같은 양의 데이터를 학습하여 결과를 비교한다.
- 이때 전체 수완부 영상 보다는 각 손가락의 마디 같은 국소 영역이 골 성숙도 판별에 효율적이므로 512×512 크기의 전체 영상에서 6개의 ROI(Region of Interest)영역을 선정했다.
- 메타 학습에서는 하나의 과제가 하나의 데이터이므로 여러 개의 과제가 묶인 형태의 배치를 학습한다. 학습에 사용되는 데이터는 공공데이터 셋으로 제공되는 TinyImageNet[6]과 Cifar100[7] 데이터 셋을 결합하여 총 300개의 부류를 가진 데이터 셋을 사용하였다. Cifar100은 주로 동물, 이동 수단, 물체 등의 영상으로 구성되어 있으며 각 부류는 600장의 영상을 포함한다.
- 본 논문에서 사용하는 메타 학습 방법인 MAML(Model-Agnostic MetaLearning)[3]은 다양한 학습과제로 이루어진 메타 데이터 셋을 이용하여 모델을 사전에 학습한 후 이 모델을 이용하여 학습되지 않은 새로운 데이터 셋에 대해 적은 양의 데이터량 만으로 비교적 좋은 성능을 보인다. 학습에 사용되는 신경망의 구조는 영상 판별에 뛰어난 성능을 보이는 컨볼루션 신경(Convolution Neural Networks)[5]를 사용한다. 컨볼루션 신경망은 특징 추출과 분류를 동시에 수행하여 사용자가 특징을 모델링 하는 과정이 필요하지 않으며 영상 인식, 검출에서 아주 뛰어난 성능을 보이는 방법이다.
- 따라서 한 과제당 175개의 영상을 포함한다. 학습에는 100개의 샘플이, 테스트에는 75개의 샘플이 사용된다. 한 배치에는 2개의 과제가 포함되므로 한 배치에는 학습 샘플 200개, 테스트 샘플 150개로 총 350개의 데이터가 포함된다.
- 학습에는 100개의 샘플이, 테스트에는 75개의 샘플이 사용된다. 한 배치에는 2개의 과제가 포함되므로 한 배치에는 학습 샘플 200개, 테스트 샘플 150개로 총 350개의 데이터가 포함된다. 실험 과정에서는 300부류 중 임의로 10개의 부류를 선정하여 하나의 배치에 들어갈 2개의 과제를 구성했으며 이러한 배치 10000개를 생성하여 실험에 사용하였다.
데이터처리
- 따라서 총 75장의 샘플이 검증에 사용된다. 또한 동일한 학습샘플 100장과 검증 샘플 75장을 사용하여 일반적인 Base Learning 방법으로 모델을 학습한 결과와 성능을 비교한다.
이론/모형
- 본 논문에서는 이러한 메타 학습 기법을 데이터 확보가 어려운 골 성숙도 판별(Skeletal Maturity Indicator : SMI)에 적용한다. 골 성숙도는 사람의 생물학적 나이를 판단하는 지표이며 의학적 진단의 중요한 기준으로 사용된다.
성능/효과
- 메타 검증 데이터 셋을 사용한 결과는 Table 2에 나타내었다. Pre-trained, Scratch 학습 모두 메타 학습을 이용한 학습결과의 정확도가 Base Learning에 비해 높은 성능을 보였다. 메타 검증 데이터 셋의 샘플들은 메타 학습과정에 사용된 부류들과 동일하진 않지만 같은 데이터 셋 안에 포함된 다양한 부류들로 구성되어 있어 성능이 비교적 높은 것으로 보인다.
- Table 3은 수완부 영상을 이용한 학습 결과를 나타낸다. 메타 학습 결과 학습 데이터 부류 별 20장을 사용하여 Pre-trained 방법으로 학습한 결과 정확도 69.3%, Scratch 학습 결과 정확도 65.9%로 모두 비교 실험인 Base-Learning 방법에 비해 높은 성능을 보였다. 비교 실험의 경우 컨볼루션 층의 가중치를 모두 기존 방법으로 학습한 Scratch 학습의 경우는 학습이 잘 진행되지 않았으며 특히 5, 10장을 이용한 학습은 임의로 5개의 부류 중 한 가지를 선택할 때의 확률인 20%에 가까운 결과를 보였다.
- 제안하는 시스템은 부류 별 20장의 수완부 X-ray 영상을 학습하여 5개의 부류를 분류하는 것을 목표로 한다. 본 논문에서 사용하는 메타 학습 방법인 MAML(Model-Agnostic MetaLearning)[3]은 다양한 학습과제로 이루어진 메타 데이터 셋을 이용하여 모델을 사전에 학습한 후 이 모델을 이용하여 학습되지 않은 새로운 데이터 셋에 대해 적은 양의 데이터량 만으로 비교적 좋은 성능을 보인다. 학습에 사용되는 신경망의 구조는 영상 판별에 뛰어난 성능을 보이는 컨볼루션 신경(Convolution Neural Networks)[5]를 사용한다.
- 9%로 모두 비교 실험인 Base-Learning 방법에 비해 높은 성능을 보였다. 비교 실험의 경우 컨볼루션 층의 가중치를 모두 기존 방법으로 학습한 Scratch 학습의 경우는 학습이 잘 진행되지 않았으며 특히 5, 10장을 이용한 학습은 임의로 5개의 부류 중 한 가지를 선택할 때의 확률인 20%에 가까운 결과를 보였다. 이는 특징 추출 과정에서 데이터가 매우 부족했음을 의미한다.
- 메타 모델은 적은 수의 샘플만이 포함된 데이터 셋을 여러 개 이용하여 학습을 반복하며 손실에 민감한 가중치를 갖도록 훈련된다. 비교실험을 위해 동일한 100장의 샘플을 사용해 일반적인 전이학습과 성능을 비교하였으며 메타 학습이 더 높은 성능을 보임을 확인하였다. 먼저 메타 학습의 한 방법인 MAML(Model-Agnostic Meta Learning) 방법을 이용하여 다양한 학습과제로 이루어진 별도의 데이터를 사용하여 메타 모델을 학습한다.
- 따라서 같은 실험을 5 번씩 반복하여 평균 성능을 나타낸다. 성능 지표인 정확도는 검증에 사용한 75장의 데이터 중 자신의 부류에 옳게 분류 된 데이터 수의 비를 퍼센트로 나타내었다. 기존의 학습 방법인 Base Learning과 메타 학습 방법을 비교하였으며 각각의 방법들은 사전에 학습된 컨볼루션 층의 가중치를 사용한 Pre-trained 방법과 임의로 초기화된 가중치를 처음부터 학습하는 Scratch 방법 두 가지를 사용하였다.
- 학습자는 이 가중치를 이용해 학습 샘플을 학습하여 Task Ttarget에 최적화된다. 이후 Task Ttarget의 테스트 샘플을 검증하여 최종적으로 메타 학습을 이용한 골 성숙도 분류 문제의 성능을 나타낼 수 있다.
후속연구
- 또한 메타 모델의 사전 훈련에 사용되었던 TinyImageNet과 Cifar100은 다양한 이미지를 포함하지만 수완부 영상의 경우 형태가 유사한 여러 영상을 분류해야 한다. 그러므로 메타 모델의 사전 훈련에 부류별 이미지 형태가 유사한 데이터를 다량 포함하여 학습을 진행한다면 조금 더 좋은 성능을 기대할 수 있을 것이다. 마지막으로, 본 논문에서 사용한 데이터 셋은 성별이 분류되어 있지 않다.
- 골 성숙도는 성별에 따라 같은 연령이라도 많은 차이가 나기 때문에 성별은 골 성숙도 판별에 중요한 역할을 한다. 성별에 대한 정보를 포함하는 양질의 데이터 셋이 제공된다면 성별을 분류하는 네트워크를 추가로 학습하여 좀 더 좋은 성능을 기대 할 수 있을 것이다.
- 한편 본 논문에서는 골단에 해당하는 6개의 영역을 ROI(Region of Interest)로 지정하였으나 골 성숙도 판단에는 더 다양한 영역이 사용된다. 이 영역들을 ROI에 반영하여 학습 데이터 셋을 구성한다면 더 좋은 성능을 기대할 수 있을 것이다. 봇팅 과정에서는 각 영역 별 출력에 대한 가중을 동일하게 주었다.
- 이러한 이유로 인해 영역 별로 분류 성능에 편차가 존재하므로 실험에서는 각 영역 별로 최대값을 가지는 부류를 봇팅(votting)하여 가장 많이 봇팅된 부류를 최종 부류로 선정한다. 이때 각 영역 별로 가중을 동일하게 부여하여 봇팅하는데 실제 영역 별로 분류 결과에 성능 차이가 있으므로 가중을 다르게 부여한다면 최종 분류 결과가 더 정확할 것이다. 특히 이 가중치를 신경망 학습과정에 포함하여 같이 학습한다면 성능을 개선할 수 있을 것이다.
- 이때 각 영역 별로 가중을 동일하게 부여하여 봇팅하는데 실제 영역 별로 분류 결과에 성능 차이가 있으므로 가중을 다르게 부여한다면 최종 분류 결과가 더 정확할 것이다. 특히 이 가중치를 신경망 학습과정에 포함하여 같이 학습한다면 성능을 개선할 수 있을 것이다. 하지만 MAML 방법을 사용한 메타 학습 과정에서 이러한 가중치를 학습하려면 그 신경망의 구조가 메타 학습 과정에도 포함되어야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.