Image Classification
1. Image Classification
1.1 Image Classificatoin이란?
CV 분야에서 대중적인 task
목표 : 이미지를 input으로 받아, 주어진 class를 잘 예측하는 문제
구조 : Backbone(CNN) + Classification head(FC layers)
Logits & Softmax
Logits : 각 클래스에 대한 예측을 수치(실수값)로 나타내는 중간 단계
Softmax : 실수 전체 범위를 가지는 logits을 지수 함수를 이용해서 클래스 간의 상대적 확률 계산
Rule-based는 인간의 관점을 하나하나 제시하는 것은 너무 비용이 크다.
따라서 방법론 자체가 Data-driven으로 바뀌었다.
1.2 Image Classification Dataset
일반적으로 여러개의 이미지와, 이를 표현하는 class 쌍으로 구성되어있다.
1.3 Training Process
Preprocessing (전처리)
agumentation을 한다.
대표적으로 grayscale, rotation, flip, resize 등등이 있다.
modeling
학습 안정성을 증대 시키는 방법 : batch normalization, dropout
softmax를 이용해서 각 class의 확률값으로 변환한다.
Loss
loss func : 실제 class와 예측한 class의 차이를 줄이기 위해 사용
보통 Cross-entrophy loss를 이용해서 loss func을 정의한다.
이후, 역전파를 통해서 모델의 weight를 업데이트한다.
1.4 Test Process
Preprocessing (전처리)
학습에서 사용한 전처리 기법을 그대로 test data에 적용한다.
Model
학습 때 구했던 batch normalization의 평균 분산을 그대로 사용해서 정규화를 한다.
또한 dropout을 사용하지 않는다.
Prediction
가장 높은 확률을 가지는 class를 예측의 결과값으로 사용
1.5 Metric
정량 평가로 Acc와 Precision을 사용한다.
Accuracy
$\displaystyle \frac{TP+TN}{TP+TN+FP+FN}$
Precision
$\displaystyle \frac{TP}{TP+FP}$