[논문]반려견 자동 품종 분류를 위한 전이학습 효과 분석

이동수; 박구만

doi:10.5909/jbe.2022.27.1.133

반려견 자동 품종 분류를 위한 전이학습 효과 분석
Analysis of Transfer Learning Effect for Automatic Dog Breed Classification 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.27 no.1, 2022년, pp.133 - 145

이동수 (서울과학기술대학교 나노IT디자인융합대학원) , 박구만 (서울과학기술대학교 나노IT디자인융합대학원)

초록
AI-Helper

국내에서 지속적으로 증가하는 반려견 인구 및 산업 규모에 비해 이와 관련한 데이터의 체계적인 분석이나 품종 분류 방법 연구 등은 매우 부족한 실정이다. 본 논문에서는 국내에서 양육되는 반려견의 주요 14개 품종에 대해 딥러닝 기술을 이용한 자동 품종 분류 방법을 수행하였다. 이를 위해 먼저 딥러닝 학습을 위한 반려견 이미지를 수집하고 데이터셋을 구축하였으며, VGG-16 및 Resnet-34를 백본 네트워크로 사용하는 전이학습을 각각 수행하여 품종 분류 알고리즘을 만들었다. 반려견 이미지에 대한 두 모델의 전이학습 효과를 확인하기 위해, Pre-trained 가중치를 사용한 것과 가중치를 업데이트하는 실험을 수행하여 비교하였으며, VGG-16 기반으로 fine tuning을 수행했을 때, 최종 모델에서 Top 1 정확도는 약 89%, Top 3 정확도는 약 94%의 정확도 성능을 각각 얻을수 있었다. 본 논문에서 제안하는 국내의 주요 반려견 품종 분류 방법 및 데이터 구축은 동물보호센터에서의 유기·유실견 품종 구분이나 사료 산업체에서의 활용 등 여러가지 응용 목적으로도 활용될 수 있는 가능성을 가지고 있다.

Abstract ▼ AI-Helper

Compared to the continuously increasing dog population and industry size in Korea, systematic analysis of related data and research on breed classification methods are very insufficient. In this paper, an automatic breed classification method is proposed using deep learning technology for 14 major dog breeds domestically raised. To do this, dog images are collected for deep learning training and a dataset is built, and a breed classification algorithm is created by performing transfer learning based on VGG-16 and Resnet-34 as backbone networks. In order to check the transfer learning effect of the two models on dog images, we compared the use of pre-trained weights and the experiment of updating the weights. When fine tuning was performed based on VGG-16 backbone network, in the final model, the accuracy of Top 1 was about 89% and that of Top 3 was about 94%, respectively. The domestic dog breed classification method and data construction proposed in this paper have the potential to be used for various application purposes, such as classification of abandoned and lost dog breeds in animal protection centers or utilization in pet-feed industry.

주제어

표/그림 (18)

표 표 1. 유실동물 구조 보호 비용 Table 1. Costs of Rescue and Care for Lost Pets
그림 그림 1. 동물보호센터의 유실견 정보 Fig. 1. Lost Dog Information on the Website of Pet Care Center
그림 그림 2. DeepFace 시스템 아키텍처 요약 Fig. 2. Outline of the DeepFace Network Architecture
그림 그림 3. 삼중항 손실 학습 Fig. 3. The Triplet Loss Learning
그림 그림 4. 8개 부분으로 라벨된 이미지 샘플 Fig. 4. Image samples labeled with 8 parts
그림 그림 5. Grassmann Manifold 투영방식의 분류 시스템 Fig. 5. Classification System using Grassmann Manifold Projection
그림 그림 6. Resnet-like 모델 정의 Fig. 6. Resnet-like Model Definition
그림 그림 7. YOLOv3를 이용한 고양이 얼굴 검출 Fig. 7. Cat Face Detection using YOLOv3
그림 그림 8. 웹 크톨링으로 수집된 유용하지 않은 이미지 사례 Fig. 8. Ineffective Images from Web Crawling
표 표 2. 반려견 품종별 수집 유효 데이터수 Table 2. Effective Number of Images in Dog Breed Data Collection
표 표 3. 실험에 사용된 데이터셋 Table 3. Datasets used in Experiments
그림 그림 9. 품종 클래스별로 라벨링된 이미지 샘플 Fig. 9. Image Samples Classified with Breed Label
표 표 4. VGGNet의 ConvNet 구조 Table 4. ConvNet Configurations at VGGNet
그림 그림 10. Skip Connection을 가지는 잔차블럭 Fig. 10. Residual Block with Skip Connection
그림 그림 11. 두 단계 전이학습 Fig. 11. Two-Stage Transfer Learning
그림 Fig. 12. 1단계 실험: 손실값 변화 및 정확도 변화 그림 12. 1st Stage Experiments: Variations of Loss Value and Accuracy
그림 Fig. 13. 2단계 실험: 손실값 변화 및 정확도 변화 그림 13. 2nd Stage Experiments: Variations of Loss Value and Accuracy
표 표 5. 두 단계 실험결과 성능 요약 Table 5. Summary of Two-Stage Experiments

참고문헌 (20)

Ministry of Agriculture, Food and Rural Affairs, Report on the Protection and Welfare Survey for Pets 2020, News Publishment, May 18, 2021.
J. Cho, C. Lee, M. Kim, S. Kim, and S. Jang, "Study of Pets Dectection." Proceedings of the Korean Institute of Information Scientists and Engineers Conference, pp.1527-1529, 2020.
M. Lee, J. Park, and J. Jeong, "An improved system of Dog Identification based on Muzzle Pattern." Proceedings of the Korean Society of Broadcast and Media Engineers Conference, pp.199-202, 2015
J. Liu, A. Kanazawa, D. Jacobs, and P. Belhumeur, "Dog Breed Classification using Part Localization." European Conference on Computer Vision(ECCV), pp.172-185, 2012.
K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition," arXiv:1409.1556v6, 2015.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778, 2016
K. Etemad and R. Chellappa, "Discriminant Analysis for Recognition of Human Face Images," Journal of the Optical Society of America A, vol. 14, no. 8, pp. 1724-1733, 1997.

상세보기
W. Zhao, A. Krishnaswamy, R. Chellappa, D. L. Swets, and J. Weng, Face Recognition: From Theory to Applications, pp. 73-85, Springer, 1998.
C. Chan, J. Kittler, and K. Messer, "Multi-scale Local Binary Pattern Histograms for Face Recognition," International conference on biometrics, pp. 809-818, Springer, 2007.
L. Wolf, T. Hassner, and Y. Taigman, "Descriptor based Methods in the Wild," in Workshop on Faces in 'Real-Life' Images: Detection, Alignment, and Recognition, Marseille, France, 2008.
Y. Taigman, M. Yang, M. Ranzato, and L. Wolf, "Deepface: Closing the Gap to Human-level Performance in Face Verification," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1701-1708, 2014.
F. Schroff, D. Kalenichenko, and J. Philbin, "Facenet: A Unified Embedding for Face Recognition and Clustering," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 815-823, 2015.
M. D. Zeiler and R. Fergus. "Visualizing and Understanding Convolutional Networks." European Conference on Computer Vision(ECCV), pp.818-833, 2014.
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich. "Going Deeper with Convolutions." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.1-9, 2015.
Y. Sun, X. Wang, and X. Tang. "Deeply Learned Face Representations are Sparse, Selective, and Robust." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.2892-2900, 2015.
W. Liu, Y. Wen, Z. Yu, M. Li, B. Raj, and L. Song. "SphereFace: Deep Hypersphere Embedding for Face Recognition." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.212-220, 2017.
H. Wang, Y. Wang, Z. Zhou, X. Ji, Z. Li, D. Gong, J. Zhou, and W. Liu, "Cosface: Large margin cosine loss for deep face recognition," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Salk Lake City, US, pp. 5265-5274, 2018,
X. Wang., V. Ly, S. Sorensen, and C. Kambhamettu, "Dog Breed Classification via Landmarks," IEEE International Conference on Image Processing (ICIP), pp. 5237-5241, 2015, https://doi.org/10.1109/ICIP.2014.7026060.
G. Mougeot, D. Li, and S Jia, "A Deep Learning Approach for Dog Face Verification and Recognition." PRICAI 2019: Trends in Artificial Intelligence, pp. 418-430, 2019, https://doi.org/10.1007/978-3-030-29894-4_34.
Adam Klein. "Pet Cat Face Verification and Identification." Stanford University, CS230 Fall 2019.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증