Torchvision 사전 훈련 모델을 활용한 미세한 종 간 분류에 대한 종합적 연구

이 연구는 PyTorch 라이브러리에 포함된 Torchvision 패키지에서 제공하는 다양한 사전 학습 모델을 탐색하고, 세부적인 이미지 분류 작업에서의 효과성을 조사하는 것을 목적으로 한다. 전이 학습(Transfer Learning)은 풍부한 학습 데이터가 부족한 상황에서도 매우 우수한 성능을 달성하는 효과적인 방법이다. 실세계의 많은 경우, 깊은 신경망 모델을 효율적으로 학습시키기 위해 필요한 충분한 데이터를 수집하는 것이 어려운 실정이다. 전이 학습 모델은 대규모 데이터셋에서 사전에 학습되어 있으며, 작은 데이터셋에서도 상대적으로 짧은 학습 시간으로 우수한 성능을 발휘할 수 있다. Torchvision 패키지는 이러한 작은 데이터셋에 전이 학습을 적용할 수 있는 다양한 모델을 제공한다. 따라서 연구자들이 적절한 모델을 선택하기 위한 가이드라인이 필요하다. 본 연구에서는 10개의 원숭이 종, 225개의 새 종, Fruits 360, Oxford 102 Flowers 총 4개의 데이터셋을 대상으로 Torchvision의 사전 학습 모델을 평가하였다. 이 데이터셋들은 각각 다른 해상도, 클래스 수, 그리고 달성 가능한 정확도를 가진 이미지들을 포함하고 있다. 또한, 일반적인 완전 연결층(fully-connected layer)과 Spinal 완전 연결층을 각각 적용하여 SpinalNet의 성능 효과를 검증하였다. 그 결과, 대부분의 경우 Spinal 완전 연결층이 더 우수한 성능을 보였다. 동일한 데이터셋에 대해 다양한 모델 간의 공정한 비교를 위해 동일한 데이터 증강(augmentation) 기법을 적용하였다. 본 논문은 향후 컴퓨터 비전 분야의 연구자들이 적절한 전이 학습 모델을 선택하는 데 도움을 줄 수 있을 것이다.