[WIDA] 2학년_4차 보고서

주제 :  김(Seaweed) 이미지 기반 이물질 검출 및 품질 분류

 

[ 전체 프로젝트 목표 ]

김의 이미지를 학습시켜,

(1) 김이 결함이 있는지 없는지 이진분류하는 모델을 제작

(2) 결함 있는 이미지로 분류된 이미지에서 결함 위치의 바운딩 박스를 정확히 예측, 클래스 분류하는 모델 제작

 

[ 현재 진행 상황 ]

- 데이터 인사이트 추출

: 데이터 결함 전체 클래스 수 시각화

클래스간에 불균형이 존재함

 

: 데이터 결함 크기 시각화

결함의 크기가 매우 작음

: 데이터 결함 위치 시각화

>> 가장자리보다 중앙쪽에 위치함

 

- RetinaNet 

: One-Stage 모델의 약점을 해결하기 위해 Focal Loss라는 새로운 손실 함수를 도입하여 정확도를 크게 향상

 

One-Stage란?

One-Stage 모델	Two-Stage 모델
이미지의 모든 위치에서 객체의 위치와 종류를 한 번에 예측	후보 영역을 먼저 생성하고, 이후 해당 영역에서 객체의 위치와 종류를 식별
연산 속도가 빠르지만, 일반적으로 정확도가 떨어짐	정확도가 높지만, 연산이 느림
예시. RetinaNet	예시. Faster-R-CNN

 

- 데이터 증강

: 기존 데이터에 변형을 가하여 새로운 데이터를 생성함으로써, 모델이 다양한 데이터 분포를 학습하도록 돕는 기법

• 좌우 반전 (Horizontal Flip)
• 상하 반전 (Vertical Flip)
• 회전 (Rotation)
• 이동 (Translation)
• 확대 및 축소 (Scaling)
• 잘라내기 (Cropping)

 

[ 향후 계획 ]

- 적절한 데이터 증강 방식 선택 후, 과적합 방지

- 최종 모델 학습 및 평가 

- 프로젝트에 관한 근거 논문 추가 탐색 및 발표 자료 준비