[논문]데이터별 딥러닝 학습 모델의 정확도 향상을 위한 외곽선 특징 적용방안 연구

권용수; 황승연; 신동진; 김정준

doi:10.7236/jiibc.2022.22.4.171

데이터별 딥러닝 학습 모델의 정확도 향상을 위한 외곽선 특징 적용방안 연구
A Study on Application Method of Contour Image Learning to improve the Accuracy of CNN by Data 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.22 no.4, 2022년, pp.171 - 176

권용수 (안양대학교 ICT융합학부 소프트웨어전공) , 황승연 (안양대학교 컴퓨터공학과) , 신동진 (안양대학교 컴퓨터공학과) , 김정준 (안양대학교 ICT융합학부 소프트웨어전공)

초록
AI-Helper

CNN은 딥러닝의 한 종류로 이미지나 영상 데이터를 처리할 때 사용하는 신경망이다. 필터가 이미지를 순회하며 이미지의 특징을 추출하여 이미지를 구분한다. 딥러닝은 데이터가 많을수록 좋은 모델을 만들 수 있는 특징이 있고, CNN에서는 적은 데이터의 약점을 보완하기 위해 회전, 확대, 이동, 뒤집기 같은 방법의 데이터 증강이라는 기법으로 데이터의 양을 인위적으로 늘리는 방법을 사용한다. 외곽선 이미지 학습은 이미지 데이터에서 외곽선에 해당하는 영역을 추출하는 것이다. CNN 학습 시, 외곽선 이미지 학습이 기존의 데이터 증강기법과 비교하여 성능 향상의 도움이 되는지 확인하고자 한다.

Abstract ▼ AI-Helper

CNN is a type of deep learning and is a neural network used to process images or image data. The filter traverses the image and extracts features of the image to distinguish the image. Deep learning has the characteristic that the more data, the better models can be made, and CNN uses a method of artificially increasing the amount of data by means of data augmentation such as rotation, zoom, shift, and flip to compensate for the weakness of less data. When learning CNN, we would like to check whether outline image learning is helpful in improving performance compared to conventional data augmentation techniques.

주제어

표/그림 (14)

그림 그림 1. CNN의 구조 Fig. 1. CNN architecture
그림 그림 2. 데이터 증강 Fig. 2. Data augmentation
그림 그림 3. 외곽선 감지 Fig. 3. contour detection
그림 그림 4. 인셉션 모듈 Fig. 4. Inception module
그림 그림 5. VGG16의 구조 Fig. 5. VGG16 architecture
그림 그림 6. residual block Fig. 6. residual block
그림 그림 7. 데이터 증강 예시 Fig. 7. Example of data augmentation
그림 그림 8. Canny Edge Detection 예시 Fig. 8. Example of Canny Edge Detection
표 표 1. 구강암 데이터셋 실험결과 1 Table 1. Oral Cancer Dataset Experiment Result 1
표 표 2. 구강암 데이터셋 실험결과 2 (사전 훈련된 모델) Table 2. Oral Cancer Dataset Experiment Result 2 (Pretrained model)
표 표 3. 피부암 데이터셋 실험결과 1 Table 3. Skin Cancer Dataset Experiment Result 1
표 표 4. 피부암 데이터셋 실험결과 2 (사전 훈련된 모델) Table 4. Skin Cancer Dataset Experiment Result 2 (Pretrained model)
표 표 5. 폐렴 데이터셋 실험결과 1 Table 5. Pneumonia Dataset Experiment Result 1
표 표 6. 폐렴 데이터셋 실험결과 2 (사전 훈련된 모델) Table 6. Pneumonia Dataset Experiment Result 2 (Pretrained model)

AI 본문요약
AI-Helper

문제 정의

본 논문은 기존의 방법과는 다르게 이미지의 외곽선을 추출한 데이터를 학습에 사용하면 CNN 정확도 향상으로 이어지는지 확인해보는 것을 목적으로 한다.

대상 데이터

VGGNet은 모든 컨볼루션 층에서 3x3 필터, padding은 동일, stride는 1, 활성화 함수는 ReLU 함수를 사용한다. 본 논문에서 사용할 모델은 VGG16이다.

이론/모형

외곽선 감지는 이미지 데이터에서 외곽선을 검출하는 기법이다. 본 논문에서 사용할 알고리즘은 Canny Edge Detection이다.
옵티마이저는 Adam을 사용하였고, 학습 후 최종적으로 저장되는 모델은 학습 중 validation accuracy가 가장 높은 모델이다.
외곽선 추출은 Canny Edge Detection을 이용하여 이미지의 외곽선을 추출하였다.

성능/효과

외곽선 데이터 추가도 피부암에서 GoogLeNet이 효과를 본 것 말고는 정확도가 떨어졌고, 모두 적용한 경우는 VGGNet은 크게 영향을 받지 않았고, GoogLeNet과 ResNet은 정확도가 꽤 낮아진 경우가 대부분이다. GoogLeNet이 구강암에서 외곽선 데이터 추가의 효과를 본 것 말고는 외곽선 데이터 추가는 정확도 향상에 도움이 되지 못했고, 외곽선 데이터 추가와 데이터 증강을 모두 적용한 경우는 성능이 오히려 낮아졌다.
궁극적으로, 본 논문에서 알아보고자 했던 새로운 데이터 증강 기법으로 외곽선 이미지가 신경망 성능 향상에 도움이 되는지에 대한 것의 결론은 외곽선 이미지는 성능 향상에 도움이 되는 경우는 거의 없다는 것이다.
데이터 증강과 외곽선 여부에 따른 4가지 상황별 성능 비교를 해보자면, 데이터 증강으로 정확도 향상을 이룬 모델은 구강암과 피부암에서 GoogLeNet이 효과를 봤고, 이것을 제외하면 비슷하거나 오히려 정확도가 낮아지는 경우가 많았다. 외곽선 데이터 추가도 피부암에서 GoogLeNet이 효과를 본 것 말고는 정확도가 떨어졌고, 모두 적용한 경우는 VGGNet은 크게 영향을 받지 않았고, GoogLeNet과 ResNet은 정확도가 꽤 낮아진 경우가 대부분이다.
데이터셋을 기준으로 비교해 보면 폐렴, 구강암, 피부암 데이터셋 순서로 정확도가 높았다.
사전 훈련 여부를 기준으로 본다면, VGGNet은 사전훈련된 모델이 특별히 뛰어난 성능을 보여주진 않았지만, GoogLeNet과 ResNet은 사전 훈련된 모델이 훨씬 높은 정확도를 갖는 것을 보여줬다. 두 신경망 모두 구조가 단순하지 않은 만큼 사전 훈련 여부가 정확도에 많은 영향을 준 것 같다.
사전 훈련 여부를 기준으로 본다면, VGGNet은 사전훈련된 모델이 특별히 뛰어난 성능을 보여주진 않았지만, GoogLeNet과 ResNet은 사전 훈련된 모델이 훨씬 높은 정확도를 갖는 것을 보여줬다. 두 신경망 모두 구조가 단순하지 않은 만큼 사전 훈련 여부가 정확도에 많은 영향을 준 것 같다.
실험의 결과를 기준별로 살펴보면, 먼저 CNN 모델별 성능은 ResNet, GoogLeNet, VGGNet 순서로 성능이 좋았다.
데이터 증강과 외곽선 여부에 따른 4가지 상황별 성능 비교를 해보자면, 데이터 증강으로 정확도 향상을 이룬 모델은 구강암과 피부암에서 GoogLeNet이 효과를 봤고, 이것을 제외하면 비슷하거나 오히려 정확도가 낮아지는 경우가 많았다. 외곽선 데이터 추가도 피부암에서 GoogLeNet이 효과를 본 것 말고는 정확도가 떨어졌고, 모두 적용한 경우는 VGGNet은 크게 영향을 받지 않았고, GoogLeNet과 ResNet은 정확도가 꽤 낮아진 경우가 대부분이다. GoogLeNet이 구강암에서 외곽선 데이터 추가의 효과를 본 것 말고는 외곽선 데이터 추가는 정확도 향상에 도움이 되지 못했고, 외곽선 데이터 추가와 데이터 증강을 모두 적용한 경우는 성능이 오히려 낮아졌다.

참고문헌 (12)

"CNN, Convolutional Neural Network Summary", Jan 2018.
"Building powerful image classification models using very little data", 2018.
"Data Augmentation", Aug 2021.
"Canny Edge Detection Step by Step in Python - Computer Vision", Jan 2019.
"Going Deeper with Convolutions", Sep 2014. DOI: https://arxiv.org/abs/1409.4842
"Very Deep Convolutional Networks for Large-Scale Image Recognition", Apr 2015. DOI: https://arxiv.org/abs/1409.1556
"Deep Residual Learning for Image Recognition", Dec 2015. DOI: https://arxiv.org/abs/1512.03385
kaggle "Chest X-Ray Images", 2018.
kaggle "Histopathologic Oral Cancer Detection using CNNs", 2021.
kaggle "Skin Cancer ISIC", 2019.
Seok-Jin Kwon, Min-Soo Kim, "Flaw Evaluation of Bogie connected Part for Railway Vehicle Based on Convolutional Neural Network", Journal of the Korea Academia-Industrial cooperation Society(JKAIS), Vol. 21, No. 11, pp. 53-60. 2020. DOI: https://doi.org/10.5762/KAIS.2020.21.11.53

원문보기 상세보기
Byoung-Woo Oh, "A Method of Spatial Data Classification using CNN", The Journal of KIIT, Vol. 20, No. 4, pp. 25-30. 2022. DOI : https://doi.org/10.14801/jkiit.2022.20.4.25

상세보기

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