Ensemble Methods for Image Classification

Abstract

In this paper, Deep Convolutional Neural Network (CNN) with various structures and loss functions are verified. Our data is VGGFace2 which is widely spread datasets. Using CNN models like VGG and ResNet, with cross entropy, cosface loss, and arcface loss, verify performance each models at first. Later, we use stacking method for ensemble. Also, unlike any other Face image classification problem, we used face detection to improve performance. So, First, do face detection so that we can focus only on each persons identity. Second, using face image, construct convolution layers. And then the last, gather all convolution neural network results and summarize them. Focusing on model structures and tunning procedures, we verify that the performance of model with ensemble get better than without ensemble.

본 논문에서는 다양한 구조와 손실 함수를 갖는 합성곱 신경망을 검증한다. VGGFace2 데이터를 이용하여 교차 엔트로피, Cosine 손실 및 Arcface 손실과 함께 VGG 및 ResNet과 같은 합성곱 신경망 모델을 사용하여 각 모델의 성능을 검증한다. 또한 앙상블을 위해 스태킹을 사용한다. 알고리즘은 먼저 얼굴 인식을 수행하여 각 사람의 신원에만 집중할 수있게 하여 기존 얼굴 이미지 분류 문제와 달리 얼굴 검색을 사용하여 성능을 향상 시켰다. 그리고 얼굴 이미지를 사용하여 합성곱 신경망을 구성 한다. 마지막으로 모든 신경망 결과를 수집하고 앙상블하여 모델을 검증한다. 본 논문은 모델 구조와 무작위 검색을 통한 튜닝 절차에 중점을 두었으며, 앙상블을 통하여 기존 모델의 성능이 향상됨을 확인하였다.