Image Classification

Image Classification

• Image Classification: 컴퓨터 비전 분야에서 대중적인 task
• Architecture: Backbone (CNN) + Classification head (FC Layer)
  
  
• Logits & Softmax
  - Logits: 각 클래스에 대한 예측을 수치(실수값)로 나타내는 중간 단계
  - Softmax 함수는 실수 전체의 범위를 가지는 logits을 지수 함수를 사용하여 클래스 간의 상대적 확률 (0 ~ 1 사이의 값) 계산
  
  
• Data-driven 방식으로 큰 성공을 거둔 컴퓨터 비전 태스크 중 하나
  
  
• Dataset
  - MNIST
       - 0부터 9까지 10개의 클래스 이루어진 숫자 모음
       - 28 x 28 grayscale 이미지
       - 60k 학습 데이터
       - 10k 테스트 데이터
  - CIFAR10
       - 10개의 클래스 이루어진 사물 및 동물 모음
       - 32 x 32 RGB 이미지
       - 50k 학습 데이터
       - 10k 테스트 데이터
  - ImageNet
       - 1000개의 클래스 이루어진 사물 및 동물 모음
       - 평균 469x387 RGB 이미지
       - 전처리 이후, 일반적으로 256x256 RGB 이미지로 통일
       - 최대 ~1.2M 학습 데이터
       - 100k 테스트 데이터
  
  
• Training Process

- Preprocessing

- Model
    - 학습 안정성을 증대시키는 방법: Batch Normalization(입력데이터의 평균과 분산 계산), Dropout(뉴런 제외 확률 설정)
    - Softmax Classifier의 목적: 입력에 대한 클래스별 확률 분포 생성 및 모델을 학습시키는 데 사용

- Loss
    - Loss function: 실제 class와 예측한 class의 차이를 줄이기 위해 사용
    - Cross-entropy loss를 이용해 loss function을 정의

 

 

• Test Process

- Preprocessing

- Model
     - 효과적 모델 사용법: Batch Normalization(학습 시 구한 평균과 분산 running mean 이용), Dropout(뉴런 전체 이용)
     - Softmax classifier의 목적: 새로운 입력 데이터에 대한 클래스별 확률을 예측

- Prediction
    - Prediction: 학습된 Model의 결과물로, 해당 이미지가 어떤 클래스인지 예측
    - Softmax Classifier의 output 중 가장 큰 값

• Metric
  - 모델이 잘 학습되었는지 판별하기 위해, 정량적인 평가로 Accuracy와 Precision Metric을 이용