KCI우수등재
잠재적 오분류 데이터를 고려한 이미지 분류 딥러닝 모델의 정확도 평가 방법 = Accuracy Evaluation Method for Image Classification Deep Learning Model considering Potentially Misclassified Data
저자
발행기관
학술지명
권호사항
발행연도
2021
작성언어
Korean
주제어
등재정보
KCI우수등재
자료형태
학술저널
발행기관 URL
수록면
657-667(11쪽)
KCI 피인용횟수
0
DOI식별코드
제공처
이미지 분류 딥러닝 모델은 이미지가 변형되었을 때 이미지의 유형을 잘못 분류하는 문제가 발생한다. 기존 정확도 평가 방법은 이미지가 변형되어 잠재적으로 잘못 분류될 수 있는 이미지들을 고려하지 않아 이미지의 유형을 정확하게 분류했다고 하더라도 평가 결과를 신뢰하기 어렵다. 본 연구는 잠재적으로 잘못 분류될 수 있는 데이터를 고려한 이미지 분류 딥러닝 모델의 정확도 평가 방법을 제안하였다. 모델과 데이터 셋 별로 잠재적 오분류 데이터를 식별하기 위한 경계 비용을 측정하고, 경계 비용을 바탕으로 잠재적 오분류 데이터를 식별하였다. 그리고 잠재적 오분류 데이터를 고려한 정확도를 측정하였다. 잠재적 오분류 데이터 식별 결과, 0.1~4.2%의 데이터가 잠재적 오분류 데이터로 식별되었으며, 이 중 18 ~60%가 실제로 잘못 분류되었다. 정확도 평가 결과, 정확도가 높은 모델은 이미지 변형에 대해 강건하며, 정확도가 낮은 모델일수록 이미지 변형에 대해 강건하지 못한 것으로 판단되었다.
더보기Image classification deep learning models have a problem of misclassifying the type of image when the image is modified. As the existing accuracy evaluation methods do not take into account images that can potentially be misclassified due to modification of the image, it becomes to trust the evaluation result even if the type of image is accurately classified. In this study, we have proposed a method for evaluating the accuracy of image classification deep learning models considering the potentially misclassified data. We have measured the boundary cost to identify potentially misclassified data for each model and data set and identified potentially misclassified data based on the boundary cost. Also, we have measured the accuracy considering the potentially misclassified data.
As a result of identifying potentially misclassified data, 0.1~4.2% of the data were identified as potentially misclassified data, of which approximately 18~60% were actually misclassified. As a result of the accuracy evaluation, it was estimated that the higher-accuracy model was more robust to image modification, and the lower-accuracy model was less robust to image modification.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)