패션 카테고리 오버샘플링 자동화 시스템

• Published in: 한국컴퓨터정보학회논문지 Vol. 29; no. 1; pp. 31 - 40
• Main Authors: 여민선(Minsun Yeu), 유도혁(Do Hyeok Yoo), 박수진(SuJin Bak)
• Format: Journal Article
• Language: Korean
• Published: 한국컴퓨터정보학회 2024
• Subjects: 컴퓨터학; Deep learning; Fashion category; CNN; 오버샘플링; ResNet50; YOLOv8; 딥러닝; 레즈넷50; 패션 카테고리; Oversampling; 컨볼루션 신경망; 욜로 버전 8
• ISSN: 1598-849X; 2383-9945
• DOI: 10.9708/jksci.2024.29.01.031

국내 온라인 패션 플랫폼은 개인사업자가 제품정보를 직접 등록하기 때문에 개인사업자의 불편함을 초래한다. 많은 제품군을 한꺼번에 수동 등록하므로 수기 입력된 제품정보로 인한 신뢰성문제가 발생한다. 등록된 상품 이미지의 저품질 및 데이터 수의 불균형으로 인한 편향도 심각하게 제기된다. 본 연구는 오버샘플링 기법을 통해 데이터 편향을 최소화하고 13개 패션 카테고리의 다중 분류를 수행하는 ResNet50 모델을 제안한다. 컴퓨팅 자원과 오랜 학습시간을 최소화하기위해 전이학습을 활용했다. 결과적으로, 데이터 수가 매우 부족했던 클래스의 데이터 증강을 통해기본 CNN 모델에 비해 최대 33.4%의 향상된 식별력을 보여주었다. 모든 결과의 신뢰성은 정밀도-재현율 곡선으로 보장한다. 본 연구는 국내 온라인 패션 플랫폼 산업의 발전을 한 단계 끌어올릴수 있을 것으로 기대한다. In the realm of domestic online fashion platform industry the manual registration of product information by individual business owners leads to inconvenience and reliability issues, especially when dealing with simultaneous registrations of numerous product groups. Moreover, bias is significantly heightened due to the low quality of product images and an imbalance in data quantity. Therefore, this study proposes a ResNet50 model aimed at minimizing data bias through oversampling techniques and conducting multiple classifications for 13 fashion categories. Transfer learning is employed to optimize resource utilization and reduce prolonged learning times. The results indicate improved discrimination of up to 33.4% for data augmentation in classes with insufficient data compared to the basic convolution neural network (CNN) model. The reliability of all outcomes is underscored by precision and affirmed by the recall curve. This study is suggested to advance the development of the domestic online fashion platform industry to a higher echelon. KCI Citation Count: 0