식물 병해류 분류 성능 향상을 위한 적응형 최소 앙상블 방법

식물 병해 분류는 도전적이고 시간이 많이 소요되는 과정이지만, 본 연구에서는 이를 개선하기 위한 새로운 방법을 제안한다. 먼저, 최근에 등장한 효율적인 정확도/복잡도 균형을 갖춘 고성능 아키텍처인 EfficientNet을 기준 모델로 사용하여, 전이 학습, 정규화, 전략적 샘플링(스트래티피케이션), 가중치 기반 평가 지표, 고급 최적화 알고리즘 등의 정교한 기법들을 도입하고 적용함으로써 성능 향상을 달성하였다. 이후 본 연구는 보다 진전된 방식으로, 적응형 최소 앙상블(adaptive minimal ensembling)을 도입한다. 이는 제안된 솔루션의 지식 기반에 유일하게 기여하는 요소이며, 기존의 출력값에 대한 전통적 집계 방식이 아닌, 훈련 가능한 레이어를 통해 특징 벡터에 대해 앙상블을 수행함으로써 복잡도를 제한된 수준으로 유지하면서 정확도를 향상시킬 수 있다는 점에서 획기적인 진전을 의미한다. 본 연구를 수행한 결과, 문헌상 이와 같은 앙상블 접근 방식은 이전에 사용된 바가 없다는 점에서 독창성을 지닌다. 제안된 방법은 작물 병해 진단 모델의 성능을 평가하기 위해 널리 사용되는 공개 기준 데이터셋인 PlantVillage를 대상으로 테스트되었으며, 원본 데이터셋과 증강된 데이터셋 모두에 대해 검증되었다. 실험 결과, 원본 및 증강 데이터셋 모두에서 100%의 정확도를 달성하여 기존 최고 성능(SOTA)을 크게 개선하였다. 모든 모델의 학습, 테스트 및 검증은 PyTorch를 사용하여 수행되었으며, 실험에 사용된 하이퍼파라미터를 포함한 상세한 정보를 공개함으로써 재현성(reproducibility)을 보장하였다. 또한 제안된 방법을 직접 테스트할 수 있도록 웹 인터페이스도 공개하였다.