표제지
목차
국문요약 9
1. 서론 10
1.1. 연구 목적 10
1.2. 연구 내용 및 방법 12
2. 관련 연구 14
2.1. 도메인 적응(Domain Adaptation) 14
2.2. 도메인 일반화(Domain Generalization) 15
2.3. Learning Invariant-feature 16
2.4. Meta-learning 16
2.5. Augmenting data 17
3. 접근 방법 18
3.1. 비정형도 : 객체의 비정형적 수준의 정량적 측정 단위 18
3.2. 불필요한 합성곱 필터 제거 22
4. 실험 25
4.1. 폰트 데이터세트 실험 25
4.1.1. Typography-MNIST 25
4.1.2. 학습 데이터세트 구성 26
4.1.3. 모델 구성 28
4.1.4. 비정형도 측정 실험 결과 29
4.1.5. 불필요한 합성곱 필터 제거 실험 결과 32
4.1.6. 데이터 증강(Data Augmentation) 실험 결과 34
4.2. 이미지 데이터세트 실험 38
4.2.1. 학습 데이터세트 구성 38
4.2.2. 테스트 데이터세트 구성 38
4.2.3. 비정형도 측정 실험 결과 41
4.2.4. 불필요한 합성곱 필터 제거 실험 결과 42
4.2.5. 데이터 증강 실험 결과 45
5. 결론 48
참고문헌 50
ABSTRACT 54
[표 1] 실험을 위해 폰트를 기준으로 재구성된 TMNIST 학습 데이터세트 27
[표 2] 폰트 실험에 사용된 모델 구조 28
[표 3] 오름차순으로 정렬된 폰트별 비정형도 측정 결과 30
[표 4] ImageNet-R의 타입 구성 40
[표 5] 이미지 비정형 데이터세트의 비정형도 측정 결과 41
[표 6] 불필요한 합성곱 필터가 제거된 모델(P)의 비정형도별 분류 정확도 44
[표 7] ResNet-101을 이용한 데이터 증강 기술별 비정형 데이터세트 테스트 결과 47
[그림 1] 비정형도 측정 방법 예시 19
[그림 2] 비정형도 기반의 모델 평가 결과 예시 20
[그림 3] 폰트별 비정형도 측정 결과 31
[그림 4] 폰트별 비정형도 측정 결과 중 일부의 예시 이미지 31
[그림 5] 불필요한 합성곱 필터 제거 후 폰트별 분류 정확도 33
[그림 6] Ramdom rotation이 적용된 모델의 폰트의 비정형도 별 테스트 결과 34
[그림 7] Gaussian blur가 적용된 모델의 폰트의 비정형도 별 테스트 결과 35
[그림 8] Random perspective가 적용된 모델의 폰트의 비정형도 별 테스트 결과 36
[그림 9] Resize and crop이 적용된 모델의 폰트의 비정형도 별 테스트 결과 37
[그림 10] ImageNet-C에 적용된 후처리 기술명 및 예시 이미지 39
[그림 11] 이미지 비정형 데이터세트의 비정형도 측정 결과 중 일부의 예시 이미지 42
[그림 12] 비정형 객체의 인식에 불필요한 합성곱 필터가 제거된 모델들의 비정형도별 테스트 결과 42
[그림 13] ResNet-101모델을 이용한 데이터 증강 실험 결과 46