골 영상에서 샘플 수 제한 및 클래스 불균형 문제로 인해 골 영상 분류에 큰 어려움이 있습니다. 골 영상 분류 정확도를 향상시키기 위해 본 논문에서는 보조 분류기를 결합한 생성적 적대 신경망(ACGAN) 데이터 생성 및 전이 학습 기반의 골 영상 분류 방법을 제안합니다. 먼저, 골 영상 클래스 불균형 문제를 해결하기 위해 MU-ACGAN 모델을 설계하였습니다. 이 모델은 U-Net을 생성기 구조로 사용하며, 밀집 잔차 연결과 채널-공간 주의 메커니즘 구조를 결합하여 골 영상 세부 특징 생성을 향상시키고, 판별기는 밀집 잔차 주의 합성곱 블록을 통해 골 영상 특징을 추출하여 판별을 수행합니다; 그리고 전통적인 데이터 증강 방식과 결합하여 데이터 양을 더욱 확장하였으며; 마지막으로 다중 스케일 합성곱 신경망을 설계하여 골 영상의 다양한 스케일 특징을 추출하여 분류 성능을 향상시켰습니다. 모델 훈련 과정에서는 2단계 전이 학습 방식을 채택하여 모델 초기 매개변수를 최적화하고 과적합 문제를 해결하였습니다. 실험 결과 본 논문에서 제안한 방법의 분류 정확도는 85.71%에 달했으며, 소규모 골 영상 데이터셋의 분류 정확도 저하 문제를 효과적으로 완화하였습니다.

골 영상; 보조 분류기를 결합한 생성적 적대 신경망(ACGAN); 전이 학습; 주의 메커니즘; 데이터 증강