EfficientNetV2S를 활용한 한국어 손글씨 성별 분류: 글자 수와 연령대별 성능 분석

초록

기존의 글씨체 성별 분류 연구는 전통적인 합성곱 신경망 모델, 앙상블 학습 기법, 그리고 DenseNet201과 같은 심층 합성곱 신경망을 활용했다. 기존의 방법에서 연산 효율성과 성능의 최적화 문제가 있었고, 이를 극복하기 위해 EfficientNetV2S 모델을 활용한 새로운 접근 방식을 제안한다. 제안된 방법은 손글씨 데이터를 전처리한 후, EfficientNetV2S 모델과 SAM 옵티마이저, 학습 스케줄러를 적용하여 글씨체로 성별을 분류하는 것이다. 전처리 과정에서는 이미지를 회색조로 변환하고 Otsu's 방법을 통해 이진화하여 단어 객체만을 추출한 후, 글자 수마다 지정된 크기로 이미지를 정규화하였다. 본 논문에서는 20대 데이터 셋에서의 글자 수에 따른 성별 분류 정확도를 비교하였고, 3글자 데이터 셋에서의 연령대에 따른 성별 분류 정확도를 비교하였다. 20대 데이터를 기반으로 글자 수별 성능을 평가한 결과, 3글자 단어에서 79.88%로 가장 높은 정확도를 기록했다. 이어서 10대부터 50대까지의 연령대별 성별 분류 실험에서 30대까지 분류 성능이 향상하여 97.29%의 정확도를 보였으나, 40대와 50대에서는 다소 감소하는 경향이 나타났다. 본 논문에서 제안한 방법은 기존 연구보다 더 높은 정확도로 성별을 분류할 수 있음을 증명하였으며, 문서 작성자 추정에서 보조 자료로 활용될 수 있다.

키워드