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 연구에서는 통관절차에서 가장 어려운 과정 중에 하나인 품목분류를 대상으로 수입신고 시 기입해야 하는 HS 코드를 추천하고자 한다. 이를 위해 기존 품목분류 사전심사 시 사용되었던 신고품목 이미지를 이용하여 새롭게 수입 신고하려는 품목의 HS 코드 정보를 제공해주는 모델을 제안하고자 한다.
- 운송. 보험 등과 같이 다양한 목적에 이용될 수 있도록 만든 상품분류제도로서, 상품분류 체계의 통일을 기하여 국제무역을 원활히 하고 관세율 적용의 일관성을 유지하는 것을 목적으로 한다(대구본부세관 홈페이지).
- 본 연구는 수입신고품목 이미지에 딥러닝 모델을 적용하여 HS 코드 분류를 시도한 첫 사례라는 점에서 의의를 갖는다. 또한, 최근 이미지를 이용한 분류모델 구축 시 가장 널리 사용되어져 오고 있고 우수한 성능을 보여준 CNN 기반의 여러 알고리즘별 딥러닝 분류 모델을 구축하고 각 모델의 분류 성능을 비교 평가하였다는 점, 그리고 학습 데이터의 클래스별 균형을 맞추기 위해 좌우 반전, 상하 반전, 회전 등을 통한 데이터 생성을 수행하였다는 점에서 CNN을 활용한 이미지 분류 관련 선행연구들과는 다른 학술적 의의를 지닌다.
- 본 연구에서는 무역업자들이 수출입 신고 시 어려움을 겪고 있는 수출입 품목에 대한 HS 코드 작성에 도움을 줄 수 있도록 HS 코드 이미지를 활용하여 HS 코드를 자동으로 분류하는 모델을 제안하였다. 이를 위해, 이미지 분류에 탁월한 성능을 보여 온 Vgg16, Vgg19, ResNet50, Inception-V3 알고리즘 기반의 CNN모델을 다양한 dataset에 적용하여 HS 코드 이미지에 대한 분류을 수행하였고 그 결과를 확인하였다.
- 따라서, 본 연구에서는 통관절차에서 가장 어려운 과정 중에 하나인 품목분류를 대상으로 수입신고 시 기입해야 하는 HS 코드를 추천하고자 한다. 이를 위해 기존 품목분류 사전심사 시 사용되었던 신고품목 이미지를 이용하여 새롭게 수입 신고하려는 품목의 HS 코드 정보를 제공해주는 모델을 제안하고자 한다.
- 또한, 최근 이미지를 이용한 분류모델 구축 시 가장 널리 사용되어져 오고 있고 우수한 성능을 보여준 CNN 기반의 여러 알고리즘별 딥러닝 분류 모델을 구축하고 각 모델의 분류 성능을 비교 평가하였다는 점, 그리고 학습 데이터의 클래스별 균형을 맞추기 위해 좌우 반전, 상하 반전, 회전 등을 통한 데이터 생성을 수행하였다는 점에서 CNN을 활용한 이미지 분류 관련 선행연구들과는 다른 학술적 의의를 지닌다. 즉, 본 연구는 수입신고품목 이미지만을 활용해 HS 코드에 대한 분류를 시도하고 분류 모델을 제안하는데 목적이 있다.
가설 설정
- 첫째, 3X3 컨볼루션 연산을 여러 번 수행하는 것은 여러 번의 비선형 처리를 하는 것과 같아 큰 필터로 한 번만 연산하는 것보다 더 많은 비선형성을 가질 수 있다. 둘째는 파라미터 수가 3X3 컨볼루션을 여러 번 했을 때 더 적다는 것이다.
제안 방법
- Dataset 1을 이용한 모델 학습에서는 epochs를 10, 30회로 설정하였으며, Vgg16, Vgg19, ResNet50을 알고리즘으로 사용하였다. Dataset 2를 이용한 모델 학습에서는 epochs를 100, 150, 200회로 설정하였으며, Dataset 1에서 사용한 알고리즘에 Inception-V3 알고리즘을 추가하였다.
- Dataset 1을 이용한 모델 학습에서는 epochs를 10, 30회로 설정하였으며, Vgg16, Vgg19, ResNet50을 알고리즘으로 사용하였다. Dataset 2를 이용한 모델 학습에서는 epochs를 100, 150, 200회로 설정하였으며, Dataset 1에서 사용한 알고리즘에 Inception-V3 알고리즘을 추가하였다. 마지막으로 Dataset 3을 이용한 모델 학습에서는 epochs를 100, 150로 설정하였으며, Dataset 2에서와 동일한 알고리즘을 사용하였다.
- 세 번째 dataset(Dataset 3)은 Dataset 2와 같이 데이터 수가 가장 많은 87류를 대상으로 하였으나, 그 구성을 다르게 하였다. Dataset 2에서는 HS 코드의 원본 이미지만을 사용하여 학습 데이터를 구성하였기 때문에 HS 코드마다 학습 데이터의 수가 다를 수밖에 없었는데, 이는 모델의 편향된 학습을 야기시켜 구축된 모델의 분류 정확도를 떨어뜨릴 수 있기 때문에 학습 데이터와 검증 데이터의 HS 코드별 데이터 수의 균형을 맞추는 작업을 수행하였다. 또한, 원본이미지 데이터에서 학습에 방해를 줄 수 있는 질이 떨어지는 이미지들도 제외하였다.
- 따라서, 본 연구에서는 수집된 이미지의 명칭을 변경하여 명칭만 보아도 해당 이미지가 어떤 HS 코드에 해당하는지 알 수 있도록 하기 위하여 이미지의 명칭을 “HS 코드+문서번호+일련번호”로 변경하여 가독성을 높였고, 이미지 명칭이 중복되지 않도록 변경하였다.
- , 2016). 마지막으로 Inception module-C는 average pooling 전의 Inception module을 더 넓게 형성하였고 또한 차원을 줄이면서 발생되는 정보 손실을 막기 위해 같은 입력값에 대해 다양한 연산을 하게 하였다.
- 본 연구에서 제안한 이미지 기반의 HS 품목 분류 학습을 위한 실험환경 구성 및 절차는 다음과 같다. 먼저, 크롤링을 통해 학습 및 검증에 사용할 HS 코드 이미지 데이터를 수집하고, 수집된 데이터를 학습 데이터와 검증 데이터로 분할하였다. 이후, 학습 데이터 이미지에 CNN 모델을 적용하여 HS 코드 이미지 분류 모델을 학습시키고, 마지막으로 검증 데이터를 이용하여 HS 코드 이미지 분류 모델의 성능에 대한 평가를 진행하였다.
- 모든 모델을 구축하는 실험에서, batch size는 Vgg16 모델을 이용(Epochs: 5회)한 실험에서 batch size를 16, 32, 64로 조정하여 실험하였을 때 가장 정확도가 높게 나왔던 32로 설정하였고, optimizer(LR)는 RMSprop(lr=1e-4), dropout은 0.5로 동일하게 설정하였다.
- 본 연구에서는 VggNet(Vgg16,Vgg19), Resnet50, Inception-V3 알고리즘에 기반한 CNN 모델을 이용하여 HS 코드 이미지를 학습시켜 HS 코드를 분류하는 실험을 진행하였다. 앞서 설명하였듯이, 서로 다른 3가지의 Dataset을 구성하여 각 모델들의 분류 정확도를 비교하였다.
- 둘째, 관세분야에서 HS 코드 이미지만을 이용하여 딥러닝 기반의 HS 코드 분류를 시도함으로써, 그 적용 가능성을 살펴보고, 관련된 이슈들을 도출하였다는 점에서 학술적인 시사점이 있다. 셋째, 본 연구는 CNN 기반의 여러 알고리즘별 딥러닝 분류 모델을 구축하고 각 모델들의 분류 성능을 비교 평가하였다는 점, 그리고 좌우 반전, 상하 반전, 회전 등을 통한 데이터 생성을 통해 학습 데이터의 균형화를 수행하였다는 점에서 학술적 시사점을 지닌다. 넷째, 본 연구에서 제안한 모델은 수출입 업무를 하고 있는 기업이나 개인사업자들이 수출입 신고 시 HS 코드를 분류하고 HS 코드를 작성하는데 있어 많은 도움을 줄 뿐 아니라, 관세사의 업무량도 감소시켜줄 수 있다는 점에서 실무적인 시사점이 있다.
- 본 연구에서는 VggNet(Vgg16,Vgg19), Resnet50, Inception-V3 알고리즘에 기반한 CNN 모델을 이용하여 HS 코드 이미지를 학습시켜 HS 코드를 분류하는 실험을 진행하였다. 앞서 설명하였듯이, 서로 다른 3가지의 Dataset을 구성하여 각 모델들의 분류 정확도를 비교하였다. 분류 정확도는 다음과 같이 계산하였다.
- 본 연구에서는 무역업자들이 수출입 신고 시 어려움을 겪고 있는 수출입 품목에 대한 HS 코드 작성에 도움을 줄 수 있도록 HS 코드 이미지를 활용하여 HS 코드를 자동으로 분류하는 모델을 제안하였다. 이를 위해, 이미지 분류에 탁월한 성능을 보여 온 Vgg16, Vgg19, ResNet50, Inception-V3 알고리즘 기반의 CNN모델을 다양한 dataset에 적용하여 HS 코드 이미지에 대한 분류을 수행하였고 그 결과를 확인하였다. 본 연구의 실험에서 분류 정확도가 가장 높게 나온 경우는 Dataset 3을 대상으로 Vgg16 모델(Epochs 150, Batch Size 32, Optimizer RMSprop(lr=1e-4), Dropout 0.
- 먼저, 크롤링을 통해 학습 및 검증에 사용할 HS 코드 이미지 데이터를 수집하고, 수집된 데이터를 학습 데이터와 검증 데이터로 분할하였다. 이후, 학습 데이터 이미지에 CNN 모델을 적용하여 HS 코드 이미지 분류 모델을 학습시키고, 마지막으로 검증 데이터를 이용하여 HS 코드 이미지 분류 모델의 성능에 대한 평가를 진행하였다.
- 학습 데이터와 검증 데이터의 비율은 Dataset2와 동일하게 7:3으로 하였고, 학습 데이터는 HS 코드별로 600개씩 총 3,000개를 검증 데이터는 250개씩 총 1,250개를 실험에 사용하였다. 학습 데이터와 검증 데이터 모두 원본 이미지만을 이용하여 실험이 가능한 HS 코드는 원본 이미지만으로 dataset을 구성하였고 이미지의 수가 부족한 HS 코드는 부족한 만큼 이미지를 변환 생성하여 이미지 수의 균형을 맞추었다. 각 dataset의 구성 정보는 <표 1> 과 같다.
대상 데이터
- 즉, HS 코드별로 원본 데이터 100개와 변환 이미지 500개를 합한 총 600개의 이미지를 학습 데이터로 사용하였으며, 그 결과 HS 코드 5종에 대해 전체 3,000개의 이미지를 학습 데이터로 사용하였다. 검증 데이터는 HS 코드별로 학습에 사용되지 않은 원본 이미지 50개를 무작위로 선택하여 HS 코드 5종에 대한 총 250개의 검증 데이터를 구성하였다.
- 두 번째 dataset(Dataset 2)은 비슷한 성격의 이미지 데이터가 있는 특정 HS 코드 2단위(류)별로 모델을 구축하여 이미지 분류를 시도하는 것이 더 현실적일 수 있다고 판단하였고, 본 연구에서는 우선적으로 수집된 HS 코드 2단위 중 가장 많은 데이터를 가지고 있는 87류를 선정하여 데이터셋을 구성하였다. 수집된 87류의 HS 코드는 총 48종으로 이루어져 있는데, 이중 데이터가 가장 많은 4종은 원래의 HS 코드를 사용하였고 나머지 44종의 HS 코드는 데이터가 많지 않아 모두 함께 묶어 임의의 부호인 “8799999999”로 HS 코드를 부여하였다.
- 본 연구는 관세청에서 운영하는 관세법령정보포탈에서 제공하는 품목분류 국내사례에 등록된 기존 HS 코드 결정사례 데이터를 크롤링하여 수집하였다. 본 연구에서 수집한 데이터는 2007년부터 2019년까지 약 13년에 걸쳐 수출입 신고 전 수출입 업자의 품목분류에 대한 질의에 대해 관세청 관세평가분류원에서 법적인 효력이 있는 HS 코드를 결정하여 회신한 데이터로서, 품목분류를 요청한 품목의 이미지와 결정된 HS 부호를 포함하고 있다.
- 본 연구는 관세청에서 운영하는 관세법령정보포탈에서 제공하는 품목분류 국내사례에 등록된 기존 HS 코드 결정사례 데이터를 크롤링하여 수집하였다. 본 연구에서 수집한 데이터는 2007년부터 2019년까지 약 13년에 걸쳐 수출입 신고 전 수출입 업자의 품목분류에 대한 질의에 대해 관세청 관세평가분류원에서 법적인 효력이 있는 HS 코드를 결정하여 회신한 데이터로서, 품목분류를 요청한 품목의 이미지와 결정된 HS 부호를 포함하고 있다.
- 본 연구에서는 위와 같이 수집 및 전처리된 이미지 데이터를 이용하여 이미지 기반의 HS 코드분류 모델을 구축하기 위해 다음과 같이 세 가지의 dataset을 구성하였다.
- 세 번째 dataset(Dataset 3)은 Dataset 2와 같이 데이터 수가 가장 많은 87류를 대상으로 하였으나, 그 구성을 다르게 하였다. Dataset 2에서는 HS 코드의 원본 이미지만을 사용하여 학습 데이터를 구성하였기 때문에 HS 코드마다 학습 데이터의 수가 다를 수밖에 없었는데, 이는 모델의 편향된 학습을 야기시켜 구축된 모델의 분류 정확도를 떨어뜨릴 수 있기 때문에 학습 데이터와 검증 데이터의 HS 코드별 데이터 수의 균형을 맞추는 작업을 수행하였다.
- 수집된 87류의 HS 코드는 총 48종으로 이루어져 있는데, 이중 데이터가 가장 많은 4종은 원래의 HS 코드를 사용하였고 나머지 44종의 HS 코드는 데이터가 많지 않아 모두 함께 묶어 임의의 부호인 “8799999999”로 HS 코드를 부여하였다.
- 수집된 품목 이미지는 HS 코드 기준으로 전체 2,957종이며 수집된 전체 이미지 수는 27,428개이다. HS 코드별로 수집된 데이터의 분포를 보면 100개 이상의 이미지를 가지고 있는 HS 코드는 전체 33종이며 나머지 HS 코드의 분포는 51~100개 42종, 21~50개 166종, 20개 미만은 2,716종으로, 수집된 데이터의 약 90%가 100개 미만의 이미지를 가지고 있었다.
- 절은 류를 참조 편의상 세분한 것으로 절에도 부･류와 마찬가지로 법적 구속력이 없는 표제가 설정되어 있으며, 특정류 외에는 절이 없다. 절이 있는 류는 제28류, 제29류, 제39류, 제63류, 제 69류, 제71류, 제72류 등이다.
- 학습 데이터는 HS 코드별로 모두 동일하게 100개의 원본 이미지 데이터를 무작위로 선택하고, 선택된 각각의 이미지 데이터를 좌우 반전, 상하 반전, 회전을 시켜 이미지 당 5개의 이미지를 생성해 총 500개의 새로운 변환 이미지를 생성하였다. 즉, HS 코드별로 원본 데이터 100개와 변환 이미지 500개를 합한 총 600개의 이미지를 학습 데이터로 사용하였으며, 그 결과 HS 코드 5종에 대해 전체 3,000개의 이미지를 학습 데이터로 사용하였다. 검증 데이터는 HS 코드별로 학습에 사용되지 않은 원본 이미지 50개를 무작위로 선택하여 HS 코드 5종에 대한 총 250개의 검증 데이터를 구성하였다.
- 첫 번째 dataset(Dataset 1)은 이미지수가 가장 많은 HS 코드 5종을 선택하여 구성하였다. 학습 데이터는 HS 코드별로 모두 동일하게 100개의 원본 이미지 데이터를 무작위로 선택하고, 선택된 각각의 이미지 데이터를 좌우 반전, 상하 반전, 회전을 시켜 이미지 당 5개의 이미지를 생성해 총 500개의 새로운 변환 이미지를 생성하였다.
- 학습 데이터와 검증 데이터는 7:3의 비율로 나누었고, Dataset 1과는 달리 이미지를 가공하여 생성하지 않고 원본 데이터만을 이용하였다. 최종적으로 학습 데이터 1,805개와 검증 데이터 776개가 실험에 사용되었다.
- 첫 번째 dataset(Dataset 1)은 이미지수가 가장 많은 HS 코드 5종을 선택하여 구성하였다. 학습 데이터는 HS 코드별로 모두 동일하게 100개의 원본 이미지 데이터를 무작위로 선택하고, 선택된 각각의 이미지 데이터를 좌우 반전, 상하 반전, 회전을 시켜 이미지 당 5개의 이미지를 생성해 총 500개의 새로운 변환 이미지를 생성하였다. 즉, HS 코드별로 원본 데이터 100개와 변환 이미지 500개를 합한 총 600개의 이미지를 학습 데이터로 사용하였으며, 그 결과 HS 코드 5종에 대해 전체 3,000개의 이미지를 학습 데이터로 사용하였다.
- 수집된 87류의 HS 코드는 총 48종으로 이루어져 있는데, 이중 데이터가 가장 많은 4종은 원래의 HS 코드를 사용하였고 나머지 44종의 HS 코드는 데이터가 많지 않아 모두 함께 묶어 임의의 부호인 “8799999999”로 HS 코드를 부여하였다. 학습 데이터와 검증 데이터는 7:3의 비율로 나누었고, Dataset 1과는 달리 이미지를 가공하여 생성하지 않고 원본 데이터만을 이용하였다. 최종적으로 학습 데이터 1,805개와 검증 데이터 776개가 실험에 사용되었다.
- 학습 데이터와 검증 데이터의 비율은 Dataset2와 동일하게 7:3으로 하였고, 학습 데이터는 HS 코드별로 600개씩 총 3,000개를 검증 데이터는 250개씩 총 1,250개를 실험에 사용하였다. 학습 데이터와 검증 데이터 모두 원본 이미지만을 이용하여 실험이 가능한 HS 코드는 원본 이미지만으로 dataset을 구성하였고 이미지의 수가 부족한 HS 코드는 부족한 만큼 이미지를 변환 생성하여 이미지 수의 균형을 맞추었다.
- 호는 류를 품목에 따라 세분한 것으로서, 2012년 기준으로 총 1,244개의 호로 구성되어 있다. 앞의 2단위는 류를 의미하고, 뒤의 2단위는 류 내에서의 품목번호를 나타내고 있다.
이론/모형
- 본 연구에서는 딥러닝 라이브러리인 케라스(Keras)를 이용하여 VggNet(Vgg16, Vgg19), Resnet50, Inception-V3 알고리즘을 사용한 CNN 모델을 구축하였다. 각 모델은 사전 학습된 모델(Pre-trained Model)의 가중치를 이용하였다. 사용한 가중치는 이미지넷(ImageNet)을 이용하였고 사전 학습된 컨볼루션층은 그대로 둔 상태에서 완전결합층 부분을 재구성하였다.
- 본 연구에서는 딥러닝 라이브러리인 케라스(Keras)를 이용하여 VggNet(Vgg16, Vgg19), Resnet50, Inception-V3 알고리즘을 사용한 CNN 모델을 구축하였다. 각 모델은 사전 학습된 모델(Pre-trained Model)의 가중치를 이용하였다.
성능/효과
- Dataset 2와 같이 HS 코드 87류를 대상으로 하고 있으나, 데이터의 구성 방법을 달리하여 모든 HS 코드의 데이터 개수를 동일하게 맞춘 Dataset 3를 대상으로 수행한 실험의 결과를 살펴보면, 분류 정확도가 가장 높게 나온 모델은 Vgg16 모델로 73.12%의 분류 정확도를 보였다. 이는 dataset 3의 경우, 동일한 HS 코드 2단위(류) 내의 데이터들로 서로 비슷한 성격의 이미지 데이터들로 구성이 되며, 각 코드별 이미지의 수가 동일하여 균형 잡힌 학습이 가능하기에 상대적으로 weight layer의 수가 적은 Vgg16이 다른 알고리즘에 대비 네트워크의 학습이 충분히 이루어져 상대적으로 좋은 정확도를 보인 것으로 유추된다.
- 수집된 품목 이미지는 HS 코드 기준으로 전체 2,957종이며 수집된 전체 이미지 수는 27,428개이다. HS 코드별로 수집된 데이터의 분포를 보면 100개 이상의 이미지를 가지고 있는 HS 코드는 전체 33종이며 나머지 HS 코드의 분포는 51~100개 42종, 21~50개 166종, 20개 미만은 2,716종으로, 수집된 데이터의 약 90%가 100개 미만의 이미지를 가지고 있었다.
- 셋째, 본 연구는 CNN 기반의 여러 알고리즘별 딥러닝 분류 모델을 구축하고 각 모델들의 분류 성능을 비교 평가하였다는 점, 그리고 좌우 반전, 상하 반전, 회전 등을 통한 데이터 생성을 통해 학습 데이터의 균형화를 수행하였다는 점에서 학술적 시사점을 지닌다. 넷째, 본 연구에서 제안한 모델은 수출입 업무를 하고 있는 기업이나 개인사업자들이 수출입 신고 시 HS 코드를 분류하고 HS 코드를 작성하는데 있어 많은 도움을 줄 뿐 아니라, 관세사의 업무량도 감소시켜줄 수 있다는 점에서 실무적인 시사점이 있다.
- 이는 dataset 3의 경우, 동일한 HS 코드 2단위(류) 내의 데이터들로 서로 비슷한 성격의 이미지 데이터들로 구성이 되며, 각 코드별 이미지의 수가 동일하여 균형 잡힌 학습이 가능하기에 상대적으로 weight layer의 수가 적은 Vgg16이 다른 알고리즘에 대비 네트워크의 학습이 충분히 이루어져 상대적으로 좋은 정확도를 보인 것으로 유추된다. 또한 전반적으로 모든 모델에서 분류 정확도가 많이 향상된 것을 확인할 수 있었다. 이와 같이 분류 정확도가 높게 올라간 이유는 학습 데이터 구성 시 해당 HS 코드와 상관없는 이미지를 제외하고 HS 코드별 데이터 분포를 균등하게 맞춘 것이 영향을 준 것으로 판단된다.
- 모델 사용의 현실성을 높이고자 HS 코드 2단위(류)별로 구성한 Dataset 2(87류로 구성)를 대상으로 수행한 실험의 결과를 살펴보면, 분류 정확도가 가장 높게 나온 모델은 Inception-V3 모델(Epochs: 150)로 55.67%의 정확도를 보였다. 이는 Inception-V3가 구조적인 변화나 다양한 모양의 필터를 사용한 기능들을 조합하여 만든 모델로서, 차원을 줄이면서 발생되는 정보 손실을 막기 위해 같은 입력값에 대해 다양한 연산을 수행하기 때문에 데이터 샘플의 수가 적은 클래스가 포함된 dataset 2에서 다른 알고리즘 대비 보다 나은 정확도를 보인 것으로 유추된다.
- 이를 위해, 이미지 분류에 탁월한 성능을 보여 온 Vgg16, Vgg19, ResNet50, Inception-V3 알고리즘 기반의 CNN모델을 다양한 dataset에 적용하여 HS 코드 이미지에 대한 분류을 수행하였고 그 결과를 확인하였다. 본 연구의 실험에서 분류 정확도가 가장 높게 나온 경우는 Dataset 3을 대상으로 Vgg16 모델(Epochs 150, Batch Size 32, Optimizer RMSprop(lr=1e-4), Dropout 0.5)을 적용한 경우로, 73.12%의 정확도를 보였다. 이는 Dataset 2의 실험에서 분류 정확도가 가장 높았던 55.
- 수집된 이미지 데이터의 샘플 수가 가장 많은 HS 코드 5종을 대상으로 수행한 실험의 결과를 살펴보면, 분류 정확도가 가장 높게 나온 모델은 Vgg19 모델(Epochs: 10, Batch Size: 32, Optimizer(LR): RMSprop(lr=1e-4), Dropout: 0.5) 로 45.6%의 분류 정확도를 보이는 것으로 나타났다. 이는 Vgg19가 다양한 필터를 사용하고, 다른 알고리즘에 비해 보다 많은 수의 weight layer로 구성되어 있기 때문에, 유사성이 적은 이미지들이 섞여 있는 비선형성이 높을 것으로 예상되는 dataset 1에서 보다 좋은 결과를 보인 것으로 유추된다.
- 은 Dataset 3으로 실험한 각 모델의 HS 코드 이미지 분류 정확도를 보여주고, 은 분류 정확도가 가장 높은 모델의 HS 코드 분류 예측값을 보여준다.
- 5%p 향상된 수치이다. 이러한 실험 결과를 보면 모델 학습을 위한 dataset 구성이 CNN 모델 학습에 많은 영향을 미친다는 것을 알 수 있다.
- 첫째, 3X3 컨볼루션 연산을 여러 번 수행하는 것은 여러 번의 비선형 처리를 하는 것과 같아 큰 필터로 한 번만 연산하는 것보다 더 많은 비선형성을 가질 수 있다. 둘째는 파라미터 수가 3X3 컨볼루션을 여러 번 했을 때 더 적다는 것이다.
- 본 연구의 시사점은 다음과 같다. 첫째, 기존의 관세분야의 HS 코드 관련 연구들은 주로 품목분류의 분쟁사례와 이슈사항들을 정책적, 제도적, 절차적 측면에서 접근하여 개선방안을 제안하였는데, 본 연구에서는 딥러닝에 기반한 HS 코드 추천 모델을 최초로 제안하여 기존 관세분야 HS 코드 관련 연구의 범위를 넓혔다는 점에서 의의가 있다. 둘째, 관세분야에서 HS 코드 이미지만을 이용하여 딥러닝 기반의 HS 코드 분류를 시도함으로써, 그 적용 가능성을 살펴보고, 관련된 이슈들을 도출하였다는 점에서 학술적인 시사점이 있다.
후속연구
- 본 연구는 HS 코드별로 수집된 데이터의 양이 많지 않았고, 실험 dataset 구성 시 이미지간 데이터 수의 균형이 맞지 않았던 데이터 관점에서의 한계점이 있었다. 하지만, 이러한 한계점을 최소화 시키기 위해 data augmention 기법을 사용하여 데이터를 변환하여 추가 생성함으로써 학습 데이터의 양을 증가시키면서도 과잉 적합(Over-fitting)을 방지하려고 노력 하였다.
- 향후 연구에서는 HS 코드 이미지 분류 성능 향상시키기 위해 보다 더 많은 이미지를 확보하고 보다 다양한 파라미터의 조정을 통해 최적의 신경망 네트워크 모델을 찾고자 한다. 아울러 Word2Vec과 같은 단어 임베딩 모델을 이용해 HS 코드 이미지뿐만 아니라, 수출입 품목에 대한 설명과 HS 코드 결정사례에 대한 내용을 같이 통합하여 HS 코드 분류를 시도한다면 이미지만을 이용했을 때보다 더 높은 분류 성능이 나올 수 있을 것으로 생각된다.
- 하지만, 이러한 한계점을 최소화 시키기 위해 data augmention 기법을 사용하여 데이터를 변환하여 추가 생성함으로써 학습 데이터의 양을 증가시키면서도 과잉 적합(Over-fitting)을 방지하려고 노력 하였다. 하지만 딥러닝 학습에 영향을 미치는 모든 파라미터에 대해 실험장비 및 시간적인 제약으로 인해 보다 다양한 실험을 진행하지 못한 점은 본 연구의 한계점이라 할 수 있다. 하지만 이러한 한계점은 시간이 지나면서 수집 가능한 데이터의 양이 증가하면 점차 해결될 수 있을 것으로 기대된다.
- 하지만 이러한 한계점은 시간이 지나면서 수집 가능한 데이터의 양이 증가하면 점차 해결될 수 있을 것으로 기대된다. 향후 연구에서는 HS 코드 이미지 분류 성능 향상시키기 위해 보다 더 많은 이미지를 확보하고 보다 다양한 파라미터의 조정을 통해 최적의 신경망 네트워크 모델을 찾고자 한다. 아울러 Word2Vec과 같은 단어 임베딩 모델을 이용해 HS 코드 이미지뿐만 아니라, 수출입 품목에 대한 설명과 HS 코드 결정사례에 대한 내용을 같이 통합하여 HS 코드 분류를 시도한다면 이미지만을 이용했을 때보다 더 높은 분류 성능이 나올 수 있을 것으로 생각된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.