CIFAR-10 Image Classifier

📌 프로젝트 소개

본 프로젝트는 CIFAR-10 이미지 분류 문제를 대상으로
CNN(Convolutional Neural Network) 기반 모델을 구현하고,
학습 전략 및 구조적 개선을 통해 성능 향상을 실험한 프로젝트입니다.

Baseline CNN 모델을 시작으로 학습 전략을 단계적으로 개선하고,
최종적으로 ResNet 논문을 재현하여 성능을 극대화하였습니다.

---

📁 구조

cifar10-pytorch/
├── cnn/
│   ├── notebooks/
│   │   ├── cifar10_basic.ipynb        # Baseline CNN
│   │   ├── batch_normalization.ipynb  # + Batch Normalization
│   │   └── scheduler.ipynb            # + SGD + LR Scheduler
│   └── images/
│       ├── confusion_matrix.png
│       └── loss_accuracy_curve.png
└── resnet/
    ├── README.md                      # ResNet 논문 정리
    ├── CIFAR_RESNET.ipynb             # ResNet18 구현
    └── img/                           # 논문 figure 이미지

---

🧾 사용한 기술

• PyTorch
• CNN (Convolutional Neural Network)
• Data Augmentation
  • RandomCrop
  • RandomHorizontalFlip
• Batch Normalization
• Optimizer
  • Adam
  • SGD (Momentum, Weight Decay)
• Learning Rate Scheduler
  • MultiStepLR

---

📊 실험 결과

Model Configuration	Test Accuracy
Baseline CNN (Adam)	79.75%
+ Batch Normalization	81.77%
+ SGD + LR Scheduler	84.49%
ResNet18	논문 재현

---

🧠 CNN 실험 (cnn/)

Baseline CNN 모델을 시작으로 아래 기법들을 단계적으로 적용하며
각 기법이 모델 성능에 미치는 영향을 비교·분석하였습니다.

• Batch Normalization: Internal Covariate Shift 감소로 학습 안정화
• SGD + Momentum + Weight Decay: Adam 대비 일반화 성능 향상
• MultiStepLR Scheduler: 초반엔 크게, 후반엔 세밀하게 학습

---

📌 결과 시각화

---

🏗️ ResNet 논문 재현 (resnet/)

논문: Deep Residual Learning for Image Recognition
논문 정리: resnet/README.md

CIFAR-10(32×32)에 맞게 원본 ResNet18 구조를 아래와 같이 수정하였습니다.

레이어	원본 (ImageNet)	수정 (CIFAR-10)
conv1 kernel	7×7, stride=2	3×3, stride=1
maxpool	MaxPool2d	Identity (제거)
fc	1000 classes	10 classes