Keras - Augmentation, Dropout

이미지 전처리 과정이 필요한 이유 (Augmentation)

• 실제 이미지들은 Scale이 다 달라서 학습에 유리하도록 전처리 과정을 진행해주어야 한다.
• 이미지를 변형시키는 과정을 통해 많은 데이터를 확보할수 있고, 이를통해 UnderFitting과 OverFitting을 예방할 수 있다.

Keras 이미지 전처리 과정

from keras.preprocessing.image import ImageDataGenerator

image_gen = ImageDataGenerator(rotation_range=30, # -30~30 도 사이 무작의 회전
                               width_shift_range=0.1, # 가로방향(좌우 둘다)으로 10% 이내로 이동한다.
                               height_shift_range=0.1, # 세로방향(상하 둘다)으로 10% 이내로 이동한다.
                               rescale=1/255,  # 사진의 크기를 조절한다. 255를 1로 바꾸는 정규화 진행, 데이터의 최대값을 미리 알아야 한다.
                               shear_range=0.2, # 이미지를 무작위로 전단시킴
                               zoom_range=0.2, # 줌 인, 줌 아웃 진행, 20%내외로 진행한다.
                               horizontal_flip=True, # 랜덤하게 수평으로 뒤집는 연산 수행
                               fill_mode='nearest'  # 이미지의 빈 공간을 주변 픽셀을 활용해 채운다.
                              )

원본이미지	처리후 이미지

이미지 학습

from keras.models import Sequential
from keras.layers import Activation, Dropout, Flatten, Dense, Conv2D, MaxPooling2D

model = Sequential()

model.add(Conv2D(filters=32, kernel_size=(3,3),input_shape=(150,150,3), activation='relu',))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(filters=64, kernel_size=(3,3),input_shape=(150,150,3), activation='relu',))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(filters=64, kernel_size=(3,3),input_shape=(150,150,3), activation='relu',))
model.add(MaxPooling2D(pool_size=(2, 2)))


model.add(Flatten())


model.add(Dense(128))
model.add(Activation('relu'))

# 50% 확률로 드롭아웃 작동
model.add(Dropout(0.5))

# 분류해야할 이미지가 두개밖에 없기 때문에 Sigmoid를 사용
model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

Dropout 레이어

신경망의 학습 과정에서일부 뉴런을 일부로 드롭(배제, 제거,.. 의미)하여 과적합을 방지하는 정규화 기법