[논문 리뷰] Comparative Analysis of Multiple Deep CNN Models for Waste Classification

Dipesh Gyawali, Alok Regmi외 3명|arXiv (Cornell University)|2020. 04. 05.

Advanced Neural Network Applications참고 문헌 8인용 수 31

한 줄 요약

논문은 전이 학습을 이용한 여러 사전 훈련된 CNN(특히 ResNet18)을 비교하여 폐기물 이미지 분류를 수행하고, ResNet18으로 검증 정확도 87.8%를 달성합니다. 특징 추출, 미세 조정 및 4종 폐기물 데이터세트에서의 모델 성능을 분석합니다.

ABSTRACT

Waste is a wealth in a wrong place. Our research focuses on analyzing possibilities for automatic waste sorting and collecting in such a way that helps it for further recycling process. Various approaches are being practiced managing waste but not efficient and require human intervention. The automatic waste segregation would fit in to fill the gap. The project tested well known Deep Learning Network architectures for waste classification with dataset combined from own endeavors and Trash Net. The convolutional neural network is used for image classification. The hardware built in the form of dustbin is used to segregate those wastes into different compartments. Without the human exercise in segregating those waste products, the study would save the precious time and would introduce the automation in the area of waste management. Municipal solid waste is a huge, renewable source of energy. The situation is win-win for both government, society and industrialists. Because of fine-tuning of the ResNet18 Network, the best validation accuracy was found to be 87.8%.

연구 동기 및 목표

• 재활용을 돕고 인력 노동을 줄이기 위해 자동 폐기물 선별을 촉진한다.
• 폐기물 이미지 분류를 위한 사전 학습된 CNN의 전이 학습을 평가한다.
• 가장 성능이 좋은 모델을 식별하고 그 학습 동작 및 혼동 패턴을 분석한다.

제안 방법

• 사전 학습된 CNN(ResNet 및 VGG)을 이용한 전이 학습을 4종 폐기물 데이터셋(Plastic, Paper, Metal, Glass)에 적용한다.
• 이미지 전처리: 크기를 512x512로 조정하고 채널을 정규화하며 일반화를 개선하기 위해 데이터 확장을 수행한다.
• 특징 추출을 위해 마지막 합성곱 층의 동결 해제를 수행하고 추가된 분류기 층으로 미세 조정한다.
• 데이터를 학습/검증으로 80/20으로 분할하고 Adam(lr=0.001)과 음의 로그 가능도 손실로 최적화한다.
• PyTorch를 사용해 NVIDIA GTX 1050에서 학습하여 모델 성능 및 학습 곡선을 비교한다.
• 학습/검증 손실 및 정확도를 비교한 후 ResNet18을 최상의 성능 모델로 선택한다.

실험 결과

연구 질문

• RQ1 어떤 사전 학습된 CNN 아키텍처(ResNet, VGG 등)가 폐기물 분류 작업에서 가장 잘 작동하는가?
• RQ2 제공된 데이터셋에서 미세 조정을 포함한 전이 학습이 폐기물 분류 정확도를 향상시키는가?
• RQ3 각 모델에 대해 학습 및 검증 손실과 정확도가 어떻게 변하는가, 과적합 또는 부족적합을 나타내는가?
• RQ4 폐기물 범주 간의 오분류 패턴은 무엇이며, 데이터셋의 도전 과제에 대해 무엇을 시사하는가?

주요 결과

• 검증 정확도는 대략 87.8%로 ResNet18에서 가장 좋게 나타났다.
• ResNet50과 VGG16은 학습 손실과 검증 손실이 발산하는 과적합 경향을 보였다.
• ResNet18은 합리적인 검증 정확도와 함께 학습 및 검증 손실이 감소하는 모습을 보였고, 큰 과적합은 없었다.
• 혼동 행렬은 Paper와 Plastic 사이의 오분류가 더 많고 Glass가 종종 Plastic으로 오인되며 Metal 예측은 상대적으로 강하다는 것을 보여준다.
• 특징 맵은 CNN 계층에서 가장자리에서 더 복잡한 형태로 진행되는 특징 추출을 보여준다.
• 과적합 완화와 일반화 향상을 위해 데이터 확장 및 정규화가 사용되었다.