[Deep Learning] Pre-trained model로 gray image를 학습하는 방법

반응형

 

보통 pre-trained model(ResNet 50, ...)의 경우 RGB 3채널을 가지는 color image 를 기반으로 학습을 진행하기 때문에 모델의 입력 정보는 (height, weight, channel=3) 으로 이루어지게 된다. 따라서 이러한 모델에 임의로 1채널을 가지는 gray image를 입력할 경우 shape error 가 발생하게 된다. 이는 단순히 모델의 첫 레이어의 채널을 변경한다고해서 해결되지 않는다. 정확히 말하면 에러는 해결되지만 학습 진행이 안된다. 

 

 

따라서 pre-trained model로 gray image를 학습시키는 법은 다음과 같다.

 

1. 첫번째 conv layer 의 채널을 1로 변경하기

2. pretrained weight load 시 1채널로 변경된 첫번째 conv layer의 weight를 하나로 sum 시켜준다. 

 

단, 이렇게 변경하여 학습 진행 후, 저장된 모델을 다시 로드하여 fine-tuning 진행 시

모델의 채널을 기존 3채널에서 1채널로 바꾸어주어야한다.  

 

아래 코드를 참고하면 내용 이해가 잘 될 것이다. 아래 코드는 fastai의 코드이다. 

def _load_pretrained_weights(new_layer, previous_layer):
    "Load pretrained weights based on number of input channels"
    n_in = getattr(new_layer, 'in_channels')
    if n_in==1:
        # we take the sum
        new_layer.weight.data = previous_layer.weight.data.sum(dim=1, keepdim=True)
    elif n_in==2:
        # we take first 2 channels + 50%
        new_layer.weight.data = previous_layer.weight.data[:,:2] * 1.5
    else:
        # keep 3 channels weights and set others to null
        new_layer.weight.data[:,:3] = previous_layer.weight.data
        new_layer.weight.data[:,3:].zero_()

def _update_first_layer(model, n_in, pretrained):
    "Change first layer based on number of input channels"
    if n_in == 3: return
    first_layer, parent, name = _get_first_layer(model)
    assert isinstance(first_layer, nn.Conv2d), f'Change of input channels only supported with Conv2d, found {first_layer.__class__.__name__}'
    assert getattr(first_layer, 'in_channels') == 3, f'Unexpected number of input channels, found {getattr(first_layer, "in_channels")} while expecting 3'
    params = {attr:getattr(first_layer, attr) for attr in 'out_channels kernel_size stride padding dilation groups padding_mode'.split()}
    params['bias'] = getattr(first_layer, 'bias') is not None
    params['in_channels'] = n_in
    new_layer = nn.Conv2d(**params)
    if pretrained:
        _load_pretrained_weights(new_layer, first_layer)
    setattr(parent, name, new_layer)

 

 

 

참고로 stackoverflow 에 있는 질문이 가장 많은 도움이 되었다. 

성능은 RGB image > Gray image(3ch) > Gray image(1ch) 이라고 한다. 

 

Unmodified ResNet50 w/ RGB Images : Prec @1: 75.6, Prec @5: 92.8
Unmodified ResNet50 w/ 3-chan Grayscale Images: Prec @1: 64.6, Prec @5: 86.4
Modified 1-chan ResNet50 w/ 1-chan Grayscale Images: Prec @1: 63.8, Prec @5: 86.1

 

 

 

이 외에도 gray image를 RGB 처럼 3채널로 만드는 방법이 있다. 이는 단순 1채널 이미지를 3채널 형식에 복사하는 형식이다. 또한 누군가가 gray image로 학습시켜놓은 pre-trained weight를 사용하는 방법도 있다. Github에 검색해보면 몇 개 나오는 것 같다. 

 

 

 

 

 

참고자료 1 : https://monghead.blogspot.com/2020/12/error-deep-learning-pretrained-model.html

[error] [deep learning] pretrained model에 grayscale image 학습시키려면?

 

참고자료 2 : https://github.com/zhaoyuzhi/PyTorch-Special-Pre-trained-Models

GitHub - zhaoyuzhi/PyTorch-Special-Pre-trained-Models: Special pre-trained VGG-16 / ResNet-50 network on CIE Lab and Grayscale i

 

참고자료 3 : https://github.com/fastai/fastai/

GitHub - fastai/fastai: The fastai deep learning library

 

참고자료 4 : https://stackoverflow.com/questions/51995977/how-can-i-use-a-pre-trained-neural-network-with-grayscale-images

How can I use a pre-trained neural network with grayscale images?

 

반응형

저작자표시비영리

• 카카오스토리
• 트위터
• 페이스북

'Research Topic > Deep Learning' 카테고리의 다른 글

[Deep Learning] Faster Non-Maximum Suppression  (0)	2022.04.13
[Deep Learning] Pre-trained model로 gray image를 학습하는 방법  (0)	2022.04.06
[Deep Learning] Gradient clipping 사용하여 loss nan 문제 방지하기  (0)	2021.08.10
[Deep Learning] 딥러닝에서 Synthetic Dataset 을 이용하여 학습하는 연구들  (0)	2021.04.28
[Deep Learning] Weight Standardization (+ 2D, 3D 구현 방법)  (0)	2020.12.20
[Deep Learning] Pytorch 를 이용한 다양한 손실 함수 구현(Loss Function Implementation) 참고자료  (0)	2020.11.02