효율적 이미지 분류를 위한 경량 합성곱 신경망 구조 설계

Design of an Efficient and Lightweight Convolutional Neural Network for Image Classification

최근 딥러닝 기반의 이미지 분류 기술은 의료, 농업, 제조 등 다양한 분야에서 폭넓게 활용되고 있다. 그러나 높은 정확도를 보이는 대부분 모델은 연산량과 파라미터 수가 많아 실시간 처리나 임베디드 환경 적용에 어려움이 있다. 이에 본 연구에서는 경량성과 정확도를 동시에 만족하는 합성곱 신경망 모델인 IGSe-Net을 제안한다. 본 모델은 Inception 기반의 다중 스케일 특징 추출 구조, ResNeXt의 그룹 합성곱, Squeeze-and-Excitation(SE) 블록을 결합하여 설계되었다. Roboflow의 종자 발아 이미지 데이터셋을 활용한 실험 결과, IGSe-Net은 MobileNetV2, GoogLeNet, ResNet18, ResNeXt18 등 기존 경량 모델들과 비교하여 정확도(94.14%)와 F1-score(94.08)에서 가장 우수한 성능을 기록하였다. 또한, 2.23M의 파라미터 수와 1.38 GFLOPs의 연산량을 유지함으로써, 실제 자원 제한 환경에서도 높은 활용 가능성을 입증하였다.

Recent advancements in deep learning-based image classification have led to widespread applications in fields such as healthcare, agriculture, and manufacturing. However, most high-accuracy models involve high computational costs and large parameter sizes, making them unsuitable for real-time processing or embedded environments. To address this issue, this study proposes IGSe-Net, a lightweight convolutional neural network that achieves both efficiency and accuracy. The proposed model integrates an Inception-based multi-scale feature extraction structure, grouped convolutions from ResNeXt, and a Squeeze-and-Excitation (SE) block for channel-wise attention. Experimental evaluation using a seed germination image dataset from Roboflow shows that IGSe-Net outperforms existing lightweight models—MobileNetV2, GoogLeNet, ResNet18, and ResNeXt18—with the highest accuracy (94.14%) and F1-score (94.08). Furthermore, with only 2.23 million parameters and 1.38 GFLOPs, IGSe-Net demonstrates strong potential for deployment in resource-constrained environments.