컴퓨터 비전 분야에서 이미지 분류 작업은 심층 학습 기술, 특히 합성곱 신경망(CNN)의 사용으로 크게 발전했습니다. 이 연구 논문은 사전 학습된 VGG16 모델에서 전이 학습 및 미세 조정의 적용을 탐구하여 이미지를 개와 고양이로 이진 분류하는 방법을 설명합니다. 2만 개의 훈련 이미지와 5천 개의 검증 이미지로 구성된 Kaggle의 인기 있는 Dogs vs. Cats 데이터셋을 이용하여 초기 레이어를 동결하고 나중의 합성곱 블록을 미세 조정하는 방법이 높은 정확성을 달성하면서도 훈련 시간과 계산 자원을 줄일 수 있는지를 보여줍니다. 이 방법론은 VGG16 기본 모델을 로드하고, 특정 레이어를 학습 가능하게 설정하고, 사용자 정의 밀집 레이어를 추가하고, 5 에포크 동안 모델을 훈련하는 과정을 포함합니다. 미세 조정 후 검증 정확도는 95.42%로 나타났으며, 훈련 역사, 손실 곡선, 정확도 플롯, 혼동 행렬에 대한 자세한 분석이 포함됩니다. 이 접근법은 제한된 데이터셋을 처리하는 데 있어 전이 학습의 효능을 강조하고, 시각화 및 통계적 평가를 통해 모델 성능에 대한 통찰을 제공합니다. 논문에는 15개의 주요 참고문헌을 인용한 관련 작업에 대한 종합적인 문헌 조사가 포함되어 있으며, 이미지 분류에서 미래 연구에 대한 함의에 대해 논의합니다. 이 연구는 심층 학습에서 미세 조정 전략에 대한 이해를 기여하며, TensorFlow와 Keras를 사용한 실제 구현을 강조합니다.
Vishwa Patel (Sat,)이 이 질문을 연구했습니다.