CNN & Transfer Learning 퀴즈

Day 2: CNN 기반 불량 분류

비전 AI — 제조 외관검사 시스템 > Day 2: CNN 기반 불량 분류

5문제

Q1. Transfer Learning에서 사전학습된 모델의 초기 층을 고정(freeze)하는 이유는?

A. 학습 속도를 느리게 하기 위해B. 초기 층이 범용적 특징(엣지, 텍스처)을 이미 학습했으므로 보존하기 위해C. GPU 메모리를 절약하기 위해D. 과적합을 일으키기 위해

Q2. 제조 외관검사에서 Recall(재현율)이 Precision(정밀도)보다 중요한 이유는?

A. Recall이 계산하기 쉬워서B. 미검출(불량→양품 판정)이 과검출(양품→불량 판정)보다 훨씬 위험하므로C. Recall이 항상 더 높은 값을 보이므로D. Recall만으로 모델 성능을 완전히 평가할 수 있어서

Q3. Focal Loss의 핵심 아이디어는?

A. 학습률을 자동 조절하는 것B. 배치 크기를 동적으로 변경하는 것C. 잘 분류되는 쉬운 샘플의 가중치를 줄이고 어려운 샘플에 집중하는 것D. 데이터를 자동으로 증강하는 것

Q4. 엣지 디바이스(생산 라인 옆 소형 PC)에 가장 적합한 CNN 모델은?

A. ResNet-152 (60M 파라미터)B. EfficientNet-B7 (66M 파라미터)C. MobileNet-V3 (5.4M 파라미터)D. ConvNeXt-Large (200M 파라미터)

Q5. GradCAM으로 모델을 진단했더니 결함이 아닌 배경 영역에 빨간색이 집중된다. 이는?

A. 모델이 정확하게 작동하고 있다는 의미B. 모델이 잘못된 특징을 학습했다는 의미 (데이터/학습 점검 필요)C. GradCAM 알고리즘의 오류D. GPU 메모리 부족 현상