CNN 기반 영상 분류 성능에 대한 전이학습 요인 분석
Analysis of Transfer Learning Factors in CNN-Based Image Classification Performance
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 합성곱 신경망(CNN) 기반 전이학습에서 도메인 유사도, 백본 복잡도, 전이 전략이 영상 분류 성능에미치는 영향을 실험적으로 분석하였다. CIFAR-10을 소스 도메인으로 사전학습한 후, STL-10(유사 도메인)과Fashion-MNIST(비유사 도메인)에 대해 VGG16과 InceptionV3 백본을 사용하여 Feature Extraction과Fine-Tuning 전략을 적용한 2×2×2 요인 설계 실험을 수행하였다. 실험 결과, 유사 도메인에서는 InceptionV3와Fine-Tuning 조합이 정확도 90.5%로 최고 성능을 보였으며, 비유사 도메인에서는 VGG16과 Feature Extraction 조합이 78.6%의 안정적인 성능을 유지하였다. 본 연구는 전이학습의 성능이 단일 요인이 아닌 세 요인 간 상호작용에의해 결정됨을 실증하였으며, 도메인 적응 및 소규모 데이터 전이학습 설계 시 실질적인 가이드라인을 제시한다.
Abstract
This study experimentally analyzed the effects of domain similarity, backbone complexity, and transfer strategy on image classification performance in CNN-based transfer learning. After pre-training on CIFAR-10 as the source domain, a 2×2×2 factorial design experiment was conducted applying Feature Extraction and Fine-Tuning strategies using VGG16 and InceptionV3 backbones on STL-10 (similar domain) and Fashion-MNIST (dissimilar domain). The experimental results showed that the combination of InceptionV3 and Fine-Tuning achieved the highest performance with 90.5% accuracy in the similar domain, while the combination of VGG16 and Feature Extraction maintained stable performance of 78.6% in the dissimilar domain. This study demonstrated that transfer learning performance is determined by the interaction among three factors rather than a single factor, and provides practical guidelines for selecting strategies in domain adaptation and small-scale data transfer learning design.