에이겐 벨류 관련 논문
https://arxiv.org/pdf/2101.02928.pdf
논문 제목: Deep Learning for Automatic Quality Grading of Mangoes: Methods and Insights
논문 출처: https://arxiv.org/pdf/2011.11378.pdf
우선, 망고의 품질은 3종류로 나눠진다
딥러닝으로 위의 문제를 풀때는 정답 라벨이 3개가 있기때문에 모델이 Grade A, Grade B, Grade C를 구분해준다.
그 이유는 딥러닝 모델이 어떻게 결과 값을 낸건지 뜯어볼 수 없기 때문에 블랙박스 모델이라고 부르는데 이 논문에서는 그 블랙박스 모델이 낸 결과를 설명해주기위해서 PCA을 쓴것이다.
위의 사진을 보면 정답 품질과 vgg16 모델이 맞춘 품질이 다른 것을 알 수있다.
이는, 모델이 학습될 때 검은 점이 있는 망고의 품질이 낮아지는 쪽으로 학습이 되었기 때문이다.
망고 이미지들를 모델에 넣고 나온 값(고차원의 값임) 어떤 기준으로 망고의 품질을 구별해주는 결과를 냈는지 확인하기 위해서 PCA 방법을 사용하는데 즉, 모델을 통과한 많은 망고이미지의 고차원 값들을 에이겐디컴포지션을 사용해서 저차원으로 줄여준다(기존 벡터 값을 최대 편차를 가지는 에이겐 벡터로 바꿔는 거다)
여기 논문에서는 2차원으로 줄여서 그래프로 보여줬다(princial component 1, 2)
그럼 주성분=principal components 즉, 주성분의 coefficients 값이 vgg16 모델의 눈으로 볼때 어떤식으로 구별해왔는지를 알려주는 특성이 뭔지 알수있게 되는 것이다
위의 이미지를 보면 첫번째 주성분은 대부분의 데이터와 구별되는데 grade C의 샘플이 가장 높은 coeffients를 가지고 grade B, grade A순으로 따라온다
오른쪽에 있는 망고 사진을 보면 검은 점이 있는데 이 검은 점의 여부가 모델에서 품질을 구분하는데 가장 영향을 미친다는 것을 알 수 있다
또한, grade A의 샘플(그래프에선 빨간 점들)은 상당히 모여있고 B, C 순으로 점들이 퍼져있는 것을 알 수 있다
이 현상은 자연에서 좋은 품질의 망고는 비슷하게 생겼고 저품질 망고는 다르게 생겼다는 것을 설명해준다