핵심 개념
피부 질환 분류를 위해 적은 수의 레이블된 데이터를 활용하여 전이 학습과 적은 샘플 학습을 통합하는 방법을 제안하고 있다.
초록
이 연구는 피부 질환 분류를 위해 적은 수의 레이블된 데이터를 활용하는 방법을 제안한다. 구체적으로 전이 학습과 적은 샘플 학습을 통합하는 방법을 탐구하였다.
연구에서는 다음과 같은 4가지 모델 학습 방법을 제안하고 평가하였다:
- 적은 샘플 에피소딕 전이 학습(FETL): ImageNet 사전 학습 모델을 미세 조정하고 에피소딕 적은 샘플 학습을 적용
- 적은 샘플 에피소딕 학습(FEL): 사전 학습 없이 에피소딕 적은 샘플 학습만 적용
- 심층 전이 학습(DTL): ImageNet 사전 학습 모델을 미세 조정하되 에피소딕 학습은 적용하지 않음
- 심층 학습(DL): ImageNet 사전 학습 모델을 그대로 사용하며 추가 학습은 없음
실험 결과, 전이 학습 기반 DTL 모델이 가장 우수한 성능을 보였다. 특히 샘플 수가 증가할수록 DTL 모델의 성능이 향상되었다. 또한 데이터 증강 기법을 DTL 모델에 적용하면 기존 방법들을 능가하는 성능을 달성할 수 있었다.
통계
적은 수의 레이블된 데이터로도 전이 학습과 적은 샘플 학습을 통해 우수한 성능을 달성할 수 있다.
샘플 수가 증가할수록 전이 학습 기반 모델의 성능이 향상된다.
데이터 증강 기법을 적용하면 기존 방법들을 능가하는 성능을 달성할 수 있다.
인용구
"피부 질환 분류를 위해 적은 수의 레이블된 데이터를 활용하는 방법을 제안한다."
"전이 학습 기반 DTL 모델이 가장 우수한 성능을 보였다."
"데이터 증강 기법을 DTL 모델에 적용하면 기존 방법들을 능가하는 성능을 달성할 수 있었다."