인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
최근 객체 탐지 분야에서 YOLO (You Only Look Once) 계열 모델은 빠른 처리 속도와 높은 정확도로 널리 활용되고 있으나 동일한 조건으로 학습시켜도 결과에는 편차가 발생할 수 있다. 본 연구에서는 Patience 옵션 기반의 조기 종료(Early Stopping) 기법을 적용하고, YOLOv3, YOLOv8, YOLOv11 모델을 동일 조건에서 30회 반복 학습하고 성능 분포를 분석하였다. 드론 연직 영상 기반 실험에서 조기 종료 학습의 AP50은 YOLOv3에서 0.879~0.977, YOLOv8에서 0.846~0.967, YOLOv11에서 0.801~0.928 범위로 나타났으며, 이는 단일 학습 결과만으로는 모델간 성능을 신뢰성 있게 비교하기 어렵다는 점을 의미한다. 또한, 모든 모델에서 대조군으로 설정한 고정 100 에폭(Epoch) 학습보다 조기 종료 학습이 평균적으로 높은 성능을 보였다. 한편 수렴 에폭은 모델별로 124회에서 818회로 분포하였고, 수렴 에폭과 성능 지표 간의 결정계수(R2)는 YOLOv3에서 0.20, YOLOv8에서 0.02, YOLOv11에서 0.04로 낮게 나타나 종료 에폭 시점만으로는 성능 변동을 설명하기 어려웠다. 따라서 학습 종료 시점을 임의로 고정하는 방식보다, 검증 성능 변화를 기준으로 동적 조정하는 조기 종료 기법을 적용하는 것이 타당하다. 본 연구는 반복 학습 결과의 평균 및 분포 특성과 조기 종료 기법을 결합함으로써 객체 탐지 모델의 학습 안정성과 평가 신뢰도를 향상시킬 수 있음을 실험적으로 확인하였다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-095557863
