신경망은 물체 이미지를 분류하는 강력한 수단이다. 제안된 물체 이미지의 이미지 카테고리 분류 방법은 합성곱 신경망(CNN)과 서포트 벡터 머신(SVM)을 결합한 것이다. 사전 훈련된 CNN인 Alex-Net을 패턴 특징 추출기로 사용한다. Alex-Net은 대규모 물체 이미지 데이터셋인 ImageNet을 기반으로 사전 훈련되었다. 본 연구에서는 ImageNet 기반으로 사전 훈련된 Alex-Net을 훈련 없이 직접 사용한다. SVM은 학습 가능한 분류기로 사용되며, Alex-Net에서 추출된 특징 벡터를 SVM에 전달한다. 물체 이미지로는 STL-10 데이터셋을 사용하였으며, 클래스 수는 10개이다. 훈련 샘플과 테스트 샘플이 명확히 분리되어 있다. STL-10 물체 이미지는 데이터 증강을 통해 SVM으로 훈련된다. 패턴 변환 방법으로 코사인 함수를 사용하였으며, 회전, 기울기 변형, 탄성 왜곡 등의 증강 기법도 적용하였다. 코사인 함수를 사용함으로써 원본 패턴은 왼쪽 정렬, 오른쪽 정렬, 상단 정렬, 하단 정렬 또는 중심 정렬로 변환되었으며, 확대된 형태도 생성되었다. 코사인 변환을 통한 증강을 통해 테스트 오류율이 16.055%에서 0.435%포인트 감소하여 15.620%로 감소하였다. 반면, 회전, 기울기 변형, 탄성 왜곡과 같은 다른 증강 방법은 증강 없이 비교했을 때 오류율을 증가시켰다. 증강된 데이터 수는 원래 STL-10의 5,000개 훈련 샘플의 30배에 달한다. 실험 결과, 테스트용 8,000개의 STL-10 물체 이미지에 대한 테스트 오류율은 15.620%로 나타나, 이미지 증강이 이미지 카테고리 분류에 효과적임을 확인할 수 있었다.