earticle

영어

Transfer learning is a technique that leverages a deep learning model trained on a specific dataset as an initial model that allows fast training of a high-performing model on another dataset. Because a pre-trained model already learns how to extract the features from previously trained data, it allows for faster and better performance on new datasets compared to models that are initialized randomly. Transfer learning is particularly useful when the quality and quantity of the data to be learned are insufficient. On the other hand, most studies focused on improving the performance of transfer learning algorithms themselves. This study departs from the existing algorithm-centric research approach and aims to incorporate deep model fusion techniques that combine the outputs of feature extractors from different datasets into transfer learning. These experiments show that the application of deep model fusion improves the performance of transfer learning. These findings will be applicable to transfer learning in various domains with limited data.

한국어

전이 학습은 이미 학습된 딥러닝 모델을 초기 모델로 활용하여, 다른 데이터에서 높은 성능 을 발휘하는 기술이다. 특히, 학습에 사용할 데이터의 질과 양이 충분하지 않을 때 전이 학습은 매우 유용한 것으로 알려져 있기에 높은 성능 안정성과 많은 데이터를 필요로 하는 자율주행 차 인식 분야에 응용될 수 있다. 그러나 많은 선행 연구들은 전이 학습 알고리즘 자체의 성능 향상에 초점을 맞추었다. 본 연구는 기존의 알고리즘 중심 접근 방식에서 벗어나, 여러 데이터 셋의 특징 추출기 출력을 융합한 심층 모델 융합 기법을 전이 학습에 적용하고자 한다. 실험 결과, 이러한 심층 모델 융합 기법이 전이 학습의 성능을 향상시킬 수 있음을 확인했다. 이 결 과는 앞으로 데이터가 부족한 자율주행 자동차 분야에서 전이 학습에 활용되어 물체 인지 성 능의 향상을 달성할 수 있을 것으로 기대된다.