고기의 선도를 분류하기 위한 CNN기반 경량 분류모델 개발

• 고기의 사진 약 4700장을 학습하여 신선, 주의, 상함 3가지 클래스로 분류하는 모델

• tensorflow를 기반으로 진행

• 학습은 코랩에서 V100으로 진행 => 학습된 모델을 불러와서 검증 및 평가

• task가 간단하고 데이터 갯수가 적기 때문에, ResNet, EfiNet같은 기존 backbone 사용 x

  • 파라미터가 매우 작은 커스텀 CNN 구성

• 처음 모델은 pre-activation과 bottleneck을 적용한 커스텀 Residual Block을 쌓아서 구성

  • 해당 블록을 5단 쌓아서 backbone 구성. 이후 풀링하고 FC 통과시켜 분류
  • tensorflow 콜백을 활용, 성능개선 없을시 1차로 학습률 감소, 2차로 조기종료
  • 파라미터 수 102K로 ResNet, EfiNet의 backbone에 비해 매우 가벼움
  • 검증 accuracy 0.985 확보

• 성능개선을 위해 Inverted bottleneck로 변경, depthwise-conv로 변경, SEblock 추가 ⇒ MBconv 블록과 유사

  • 해당 블록을 7단 쌓아서 backbone구성 (Top은 처음 모델과 동일)
  • 파라미터는 109K로 약 3% 증가
  • 검증 accuracy 0.996 으로 1.1%p 증가

• 첫 번째 모델 블록 및 backbone 구성
  
  

• 두 번째 모델 블록 및 backbone 구성
  
  

• 첫 번째 모델(V1) 및 두 번째 모델(V2) 훈련 기록
  
  

• 모델 스펙