[논문 리뷰] State Classification with CNN

Astha Sharma|arXiv (Cornell University)|2018. 06. 05.

Advanced Neural Network Applications참고 문헌 12인용 수 7

한 줄 요약

이 논문은 백본으로 Inception v3를 사용하는 전이 학습을 활용한 CNN 기반 접근법을 제안한다. 18종의 요리 도구에서 훈련된 모델은 동일한 물체의 다양한 상태를 구분하는 데 76%의 정확도를 달성하여 로봇공학 및 시각 응용 분야에서의 실현 가능성을 보여준다.

ABSTRACT

There is a plenty of research going on in field of object recognition, but object state recognition has not been addressed as much. There are many important applications which can utilize object state recognition, such as, in robotics, to decide for how to grab an object. A convolution neural network was designed to classify an image to one of its states. The approach used for training is transfer learning with Inception v3 module of GoogLeNet used as the pre-trained model. The model was trained on images of 18 cooking objects and tested on another set of cooking objects. The model was able to classify those images with 76% accuracy.

연구 동기 및 목표

• 컴퓨터 시각 분야에서 미처 다루지 않은 물체 상태 인식 문제를 해결한다.
• 로봇 시스템이 상태에 기반하여 물체 조작에 대한 정보 기반 결정을 내릴 수 있도록 한다.
• 물체 상태 간 미세한 시각적 차이를 구분할 수 있는 딥 러닝 모델을 개발한다.
• 사전 훈련된 CNN을 활용한 전이 학습의 효과를 상태 분류에 적용함을 입증한다.
• 요리 도구를 다양한 상태에서 촬영한 새로운 데이터셋을 기반으로 모델을 검증한다.

제안 방법

• ImageNet에서 사전 훈련된 Inception v3 아키텍처를 사용하여 전이 학습을 수행한다.
• 특정 상태 분류 작업을 위해 Inception v3 네트워크의 최종 레이어를 미세 조정한다.
• 여러 상태(예: 열려 있음, 닫혀 있음, 사용됨)에서 촬영한 18종의 요리 도구 데이터셋으로 모델을 훈련한다.
• 일반화 성능 향상을 위해 데이터 증강 및 표준 전처리를 적용한다.
• 엔드 투 엔드 학습을 위해 교차 엔트로피 손실과 Adam 옵timizer를 사용한다.
• 훈련 중에 볼 수 없었던 별도의 테스트 세트인 요리 도구에 대해 모델을 평가한다.

실험 결과

연구 질문

• RQ1 사전 훈련된 CNN은 동일한 물체의 다양한 상태를 효과적으로 분류할 수 있는가?
• RQ2 Inception v3를 활용한 전이 학습은 물체 상태 인식에 얼마나 잘 일반화되는가?
• RQ3 작은 전문화된 요리 도구 데이터셋에서 다양한 상태에서의 정확도는 어느 정도 달성될 수 있는가?
• RQ4 동일한 물체 클래스 내에서 상태에 따라 변하는 시각적 변형에 대해 모델은 얼마나 강건한가?
• RQ5 이 접근법은 실제 로봇 조작 작업에 확장될 수 있는가?

주요 결과

• 테스트 세트에서 요리 도구의 다양한 상태에 대해 최신 기술 수준의 정확도 76%를 달성했다.
• 제한된 훈련 데이터에도 불구하고 Inception v3를 활용한 전이 학습이 효과적인 특징 추출을 가능하게 했다.
• 예를 들어 냄비가 열려 있거나 닫혀 있는 것처럼 매우 유사한 시각적 상태 간의 구분에 성공했다.
• 결과적으로 CNN은 미세한 상태 인식 작업에 효과적으로 적응시킬 수 있음을 시사한다.
• 상태 인식이 필요한 로봇 시스템에 통합될 잠재력을 보였다.
• 더 큰 데이터셋이나 아키텍처 수정을 통해 성능 향상이 가능할 것임을 성과가 시사한다.