DeepLearning Team Project – DiminuNet

이 프로젝트는, 나뭇잎 이미지 데이터를 활용하여 해당 나뭇잎의 질병 유무를 분류해내는 인공지능 모델을 구현하고자 하였습니다.
특히 ResNet, VGG16 등 다양한 모델을 실습하며 “작은 모델로 큰 성과를 내는 구조 (DiminuNet)” 를 탐구했습니다.

모델 선택 배경 (Why VGGNet?)

본 프로젝트에서 VGGNet과 ResNet을 함께 실험한 이유는 단순한 성능 비교가 아니라, 모델 복잡도 대비 성능 효율을 분석하기 위함이었습니다.

ResNet은 깊은 네트워크 구조와 skip connection을 통해 높은 성능을 보이지만, 그만큼 모델이 무겁고 계산 비용이 크다는 한계가 있습니다.
이에 반해 VGGNet은 구조가 비교적 단순하고 직관적인 모델로, 연산량과 파라미터 수 측면에서 더 가벼운 모델에 속합니다.

본 프로젝트에서는 다음과 같은 질문에서 출발했습니다:

“구조가 더 단순한 VGGNet을 적절히 활용하거나 변형한다면, ResNet과 유사한 수준의 성능을 낼 수 있을까?”

이를 통해,

• 모델의 깊이와 복잡도가 성능에 미치는 영향
• 경량 모델의 가능성과 한계
• 성능–효율(trade-off) 관점에서의 모델 선택 기준

을 함께 탐구하고자 했습니다.

기존 데이터가 가졌던 문제

• 전체 이미지 데이터 수가 대략 400개로, 모델 학습에 있어서는 적은 양이었습니다.
• 이진 분류 문제이기는 했으나, 정상잎 클래스의 데이터 수가 월등히 많아 클래스 불균형이 존재하였습니다.

시도했던 기법들

01. SMOTE

데이터 불균형 문제를 해결하고자 사용하였습니다.
실제로는 테이블형 데이터셋에 사용하지만, flatten 기법을 활용하여 적용하였습니다.

02. 데이터 증강

crop, lotation, blur 등을 랜덤하게 적용하여 데이터 수를 늘렸습니다.

03. Batch Normalization, Dropout 등을 추가

더 나은 일반화 성능을 위해, 각 레이어에 배치 정규화와 드롭아웃을 추가해 여러 경우를 실험하였습니다.