복잡하고 역동적인 실제 환경에서 기존 직물 인식 알고리즘의 한계를 해결하기 위해, 본 논문은 혁신적인 데이터 처리 전략을 제안한다. 제안하는 접근법은 세 가지 서로 다른 데이터 증강 기법을 각각 학습 및 테스트 데이터셋에 독립적으로 적용하여, 다양한 실제 상황을 시뮬레이션함으로써 모델의 일반화 성능과 견고성을 향상시키는 것을 목표로 한다. 본 연구에서는 향상된 MobileNetV3 아키텍처를 기반으로 한 새로운 직물 인식 알고리즘을 제안한다. 주요 수정 사항에는 네트워크 입력 단계에서 Early Neural Attention(ENA)을 통합하는 것, 재설계된 병목(bneck) 구조, 그리고 ReLU 활성화 함수의 Scaled Exponential Linear Unit(SELU)로의 대체가 포함된다. 이러한 수정은 복잡한 직물 패턴을 인식하는 데 있어 모델의 성능을 유의미하게 향상시킨다. 제안 모델의 일반화 능력을 검증하기 위해, 동일한 데이터 증강 기법을 학습 및 테스트 데이터셋 모두에 적용하고 기존 및 개선된 MobileNetV3의 성능을 비교한다. 실험 결과는 정확도 및 정밀도와 같은 핵심 성능 지표에서 상당한 개선을 보여주며, 이는 실제 직물 인식 시나리오에서 향상된 모델의 효과성과 적응성을 확인해준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.