CNN 모델의 하이퍼파라미터 변화에 따른 얼굴 인식 성능 분석

소개

"CNN 모델의 하이퍼파라미터 변화에 따른 얼굴 인식 성능 분석"에 대한 내용입니다.

목차

1. 서론

2. 본론
1) DNN(Deep Neural Network)의 구조적 특징
2) CNN(Convolutional Neural Network)의 구조적 특징
3) DNN과 CNN의 얼굴 인식 적용 비교
4) 과적합(Overfitting)과 일반화 문제

3. 연구 방법 및 실험 설계
1) 실험 결과 표 요약 설명
2) 기준 모델(baseline)의 의미와 성능
3) 드롭아웃 비율 변화 실험의 해석
4) 필터 수 증가 실험의 해석
5) 커널 크기 변화 실험의 해석
6) 학습률 변화 실험의 해석
7) 표 전체를 통해 얻은 종합 결론
8) 이론적 배경과의 연결

4. 결론

5. 참고 문헌

본문내용

최근 인공지능 기술이 빠르게 확산되면서, 얼굴 인식 시스템은 보안, 인증, 개인화 서비스 등 다양한 분야에서 필수적인 역할을 차지하고 있다. 일상생활에서 스마트폰의 얼굴 인식 잠금 해제나 사진 분류, 출입 통제와 같은 사례를 접하기도 했고 미래인재 프로젝트에서 얼굴 인식 시스템에 대해 해서, 작동 원리에 대한 궁금증이 자연스럽게 생겼다. 학교 인공지능기초 교과에서 인공지능의 기본 구조와 신경망 모델에 대해 배우며, DNN(Deep Neural Network)과 CNN(Convolutional Neural Network)이 이미지 인식에 널리 활용된다는 사실을 알게 됐다.

교과서나 기존 학습 자료에서는 DNN과 CNN의 구조적 차이와 그에 따른 성능 차이를 단순히 ‘CNN이 더 적합하다’는 결론으로만 설명하는 경우가 많았던거같다. 실제로 어떤 구조적 원리로 인해 성능 차이가 발생하는지, 그리고 CNN 내부의 하이퍼파라미터(필터 수, 커널 크기, 스트라이드, 드롭아웃 등)가 얼굴 인식 정확도와 과적합에 어떻게 영향을 미치는지에 대한 구체적 설명은 부족했다. 과적합(Overfitting) 문제와 이를 완화하기 위한 전략(예: 드롭아웃)의 실제 효과도 직접 실험을 통해 확인해보고 싶었다.

이번 탐구에서는 얼굴 인식 문제를 중심으로, DNN과 CNN의 구조적 차이가 실제 성능에 어떤 영향을 미치는지 실험적으로 비교·분석을 하려고 한다. 특히 CNN 모델의 주요 하이퍼파라미터(필터 수, 커널 크기, 스트라이드, 드롭아웃 비율 등)를 변화시키며, 각 요소가 얼굴 인식 정확도와 과적합 완화에 미치는 영향을 정량적으로 평가하고자 했다.

참고자료

· 하모니 서치 알고리즘을 이용한 CNN 기반 얼굴 감정 분류. DBpia.
· CNN 알고리즘을 기반한 얼굴인식에 관한 연구. KISTI ScienceON.
· Incremental Boosting Convolutional Neural Network for Facial Action Unit Recognition. Liner.
· Deep CNN hyperparameter optimization algorithms. KISTI ScienceON.
· CNN 모델과 샴 네트워크를 이용한 얼굴 인식 성능 비교. KCI.
· ANN, DNN, RNN 개념과 차이. Tstory
· 과적합 / 일반화. Velog. 강민정
· 과적합을 막는 방법들. wikidocs
· CNN-하이퍼파라미터,Best Architecture. Son’s Notation