머신러닝 특징 공간 분석 기반의 효율적인 리 라벨링을 통한 넙치의 장기 증상 분류 성능 향상 연구 (A Study on the Improvement of Organ Symptom Classification Performance of Paralichthys olivaceus through Efficient Re-Labeling Based on Machine Learning Feature Space Analysis)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 24권 / 3호 / 267 ~ 276페이지
· 저자명 : 임창현, 신영학

초록

양식장에서 수중 생활하는 어류들은 질병의 전파가 빠르다. 따라서, 질병이 발생하지 않도록방지해야 하며 발생 초기에 진압하는 것이 중요하다. 하지만 어류 전문가의 도움 없이 질병을 진단하기는 쉽지 않다. 현재 다양한 딥러닝 기반의 어류 질병 검출 연구가 활발히 진행중이다. 어류의 질병을 정확하게 진단하기 위해서는 장기에 발생하는 증상 분류가 중요하며이를 위한 딥러닝 분류 모델의 성능을 높이는 것이 필요하다. 어류의 질병 증상 분류를 위해서는 장기 부분의 마스크 라벨링이 필요해 전문가가 일일이 확인하며 폴리곤 마스크를 만들어야 한다. 이러한 라벨링 과정에서 오류가 발생할 가능성이 있고 이는 성능 저하를 야기시킨다. 본 연구에서는 딥러닝 분류 모델의 성능을 높이는 방법으로 라벨링이 잘못되었을 가능성이 있는 데이터를 효과적으로 찾는 방법에 관해 연구한다. 먼저 넙치의 아가미, 복수, 간에 대한 장기별 딥러닝 모델 학습을 진행한다. 이후, t-SNE, SVM, KNN과 같은 다양한 머신러닝 특징 공간에서 오답인 데이터를 선정하여 전문가를 통해 리 라벨링을 한 후 비교 실험을 진행한다. 실험 결과, t-SNE, SVM, KNN 특징 공간에서 중복으로 오답인 데이터를 리라벨링 하여 학습한 결과 적은 수의 리 라벨링으로 성능 향상을 확인하였다.

영어초록

Fish that live underwater in fish farms spread the disease rapidly. Therefore, it isimportant to prevent the outbreak and to suppress it early. However, it is not easyto diagnose a disease without the help of fish experts. Currently, various deeplearning-based research on the detection of fish diseases is actively underway. Inorder to accurately diagnose fish diseases, organ symptom classification is important,and for this, it is necessary to increase the performance of deep learning classificationmodels. In order to classify disease symptoms of fish, organ mask labeling isnecessary, so experts should check each and make polygon masks. Errors are likelyto occur in this labeling process, which causes performance degradation. In thisstudy, we study how to effectively find data that may have mislabeled as a way toimprove the performance of deep learning classification models. First, we learn aorgan deep learning model for Paralichthys olivaceus's gills, ascites, and liver.
Subsequently, data that are incorrect from various machine learning feature spacessuch as t-SNE, SVM, and KNN are selected, re-labeled through experts, andcomparative experiments are conducted. Experimental results confirm performanceimprovement with a small number of re-labels after learning by re-labeling datawith duplicate incorrect answers in t-SNE, SVM, and KNN feature spaces.

참고자료

· 없음