• 한국토양비료학회지
• /
• 제42권6호
• /
• pp.439-446
• /
• 2009

벼농사가 수질에 미치는 영향을 평가하기 위하여 지역별 논의 질소수지를 평가하였다. 질소의 유입량은 비료 시용량, 강우 및 관개에 의한 수계공급량, 토양질소의 무기화량 및 질소 고정량 등을 합하여 추정하였고, 질소의 유출량은 배출수나 지하침투수를 통한 수계유출량, 암모니아 휘산과 탈질에 의한 대기 중으로의 손실량, 무기질소의 유기화 및 작물에 의한 흡수량을 합하여 평가하였다. 지역별 환경 특성은 토양 중 유기물함량, 쌀 수확량, 관개수 중의 질소함량, 토양통 분포면적에 의한 토양침투속도 등을 이용하여 추정하였다. 지역별로 환경특성을 고려하여 벼농사가 수질에 미치는 영향을 평가한 결과 경기도와 충청남도의 질소 수지가 각각 -5.4와 $-8.3kg\;ha^{-1}\;yr^{-1}$으로 이 지역에서의 벼농사는 주변 수계로부터 질소를 흡수하여 농업에 활용하는 수질정화의 기능이 다른 지역에 비해 상대적으로 큰 것으로 평가되었다. 반면 강원도와 경상남도는 각각 4.9와 $14.0kg\;ha^{-1}\;yr^{-1}$ 으로 유입량보다 유출량이 오히려 많아 질소를 배출하는 것으로 평가되었다. 시비량이 $110kg\;ha^{-1}$로 동일하다는 조건하에 우리나라 관개수 중의 질소함량이 평균 $1mg\;L^{-1}$ 증가할 경우 벼농사는 $-2.9kg\;ha^{-1}\;yr^{-1}$의 수질 개선효과가 있으며, 전국적으로는 벼논의 질소 흡수량이 연간 2,616 Mg이나 증가하는 것으로 추정되었으며, 농업용수의 오염도가 상대적으로 높은 도시인근 지역이 관개수가 깨끗한 지역보다 벼농사에 의한 수질정화 효과가 크다는 것을 알 수 있었다. 동일한 수확량 조건에서 시비량을 $110kg\;ha^{-1}$에서 $90kg\;ha^{-1}$으로 줄일 경우 질소정화 기능은 전국적으로 10,600 Mg이 증가하고 수질정화 기능을 수행하는 면적도 확대됨을 알 수 있었다. 또한, 쌀 수확량 $5,000kg\;ha^{-1}$을 100%로 가정할 경우 질소 시비량은 $110kg\;ha^{-1}$, 수확량이 100%인 경우 질소수지는 $-0.3kg\;ha^{-1}$이었지만 시비량을 $90kg\;ha^{-1}$으로 줄이고 수확량도 100%에서 90%와 85%로 줄이면 질소수지는 각각 -11.7, -2.3 및 $2.4kg \;ha^{-1}$으로 시비량을 줄여도 수확량을 동시에 줄이면 질수수지의 개선효과가 떨어지며, 수량을 85%로 줄이면 수질에 미치는 영향을 나타내는 질소수지는 $110kg\;ha^{-1}$을 시비할 때보다 오히려 더 나빠지는 것으로 평가되었다. 이상의 결과들로 볼 때 벼농사가 수질환경에 미치는 영향은 관개수 수질, 토양물리 및 화학성 등의 자연환경에 따라 달라지므로 지역의 자연환경 특성을 최대로 활용하여, 벼 재배에 의한 수질정화기능을 최대로 활용하는 영농기술도입이 필요한 것으로 판단된다. 또한 현재 시비량을 줄이고 이에 따라 수확량도 줄어들 것이라는 전제의 영농방법으로서는 벼농사에 의한 수질오염 방지를 효과적으로 달성할 수 없으며, 시비량은 줄이되 토양과 관개수 중의 영양물질을 최대한으로 활용하여 최고의 수확량을 유지하는 것이 벼농사의 주변 수계에 대한 오염물질 발생을 줄이고 수질정화 기능을 증대시키는 가장 좋은 친환경농업라고 판단된다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.119-133
• /
• 2020

Fama에 의하면 효율적 시장에서는 일시적으로 높은 수익을 얻을 수는 있지만 꾸준히 시장의 평균적인 수익을 초과하는 투자전략을 만드는 것은 불가능하다. 본 연구의 목적은 변동성의 장중 비대칭적 전이효과를 이용하는 변동성 매도전략을 기준으로 투자 성과를 추가적으로 개선하기 위하여 SVM을 활용하는 투자 전략을 제안하고 그 투자성과를 분석하고자 한다. 한국 시장에서 변동성의 비대칭적 전이효과는 미국 시장의 변동성이 상승한 날은 한국 시장의 아침 동시호가에 변동성 상승이 모두 반영되지만, 미국 시장의 변동성이 하락한 날은 한국 시장의 변동성이 아침 동시호가에서 뿐만 아니라 장 마감까지 계속해서 하락하는 이상현상을 말한다. 분석 자료는 2008년부터 2018년까지의 S&P 500, VIX, KOSPI 200, V-KOSPI 200 등의 일별 시가지수와 종가지수이다. 11년 동안의 분석 결과, 미국 시장의 변동성이 상승으로 마감한 날은 그 영향력이 한국 시장의 아침 동시호가 변동성에 모두 반영되지만, 미국 시장의 변동성이 하락으로 마감한 날은 그 영향력이 한국 시장의 아침 동시호가뿐만 아니라 오후 장 마감까지도 계속해서 유의적으로 영향을 미치고 있다. 시장이 효율적이라면 미국 시장의 전일 변동성 변화는 한국 시장의 아침 동시호가에 모두 반영되고 동시호가 이후에는 추가적인 영향력이 없어야 한다. 이러한 변동성의 장중 비정상적 전이 패턴을 이용하는 변동성 매도전략을 제안하였다. 미국 시장의 전날 변동성이 하락한 경우 한국 시장에서 아침 동시호가에 변동성을 매도하고 장 마감시에 포지션을 청산하는 변동성 데이트레이딩전략을 분석하였다. 연수익률은 120%, 위험지표인 MDD는 -41%, 위험과 수익을 고려한 성과지수인 Sharpe ratio는 0.27을 기록하고 있다. SVM 알고리즘을 이용해 변동성 데이트레이딩전략의 성과 개선을 시도하였다. 2008년부터 2014년까지의 입력자료를 이용하여 V-KOSPI 200 변동성지수의 시가-종가 변동 방향을 예측하고, 시가-종가 변동율이(-)로 예측되는 경우에만 변동성 매도포지션을 진입하였다. 거래비용을 고려하면 2015년부터 2018년까지 테스트기간의 연평균수익률은 123%로 기준 전략 69%보다 크게 높아지고, 위험지표인 MDD도 -41%에서 -29%로 낮아져, Sharpe ratio가 0.32로 개선되고 있다. 연도별로도 모두 수익을 기록하면서 안정적 수익구조를 보여주고 있고, 2015년을 제외하고는 투자 성과가 개선되고 있다.

• 한국농림기상학회지
• /
• 제14권4호
• /
• pp.207-221
• /
• 2012

본 연구에서는 작물모형을 이용하여 기후변화에 따른 우리나라의 벼 생산성 변화를 분석하고, 기후변화 주요 변동요인인 온도 및 $CO_2$ 농도와 적응수단인 재배시기가 기후변화에 따른 벼 생산성 변화에 미치는 영향을 분석하고자 하였다. 작물모형은 영화수 및 임실율 모델을 모델을 도입하고, 종실중 및 등숙율 모듈을 추가하여 벼 수량결정 방법을 개선한 'ORYZA2000'을 사용하였으며, 모델의 입력자료인 품종특성 모수는 벼 생태형별로 종생종인 오대벼, 중생종인 화성벼, 중만생종인 일품벼의 품종특성 모수를 사용하였으나 발육속도 품종특성 모수는 수정하여 사용하였다. 생육모의 지역은 기상청 소속 기상대와 관측소가 소재하는 지역 중에 30년 이상 기상관측자료를 보유하고 있는 56개 지역을 북부, 중부, 남부의 3개 기후지대로 구분하여 분석하였으며, 기후변화에 따른 재배시기 조정여부는 최적파종기를 기준으로 설정하였는데, 출수 후 40일간의 평균온도가 22.5가 되는 파종기를 지역별 최적파종기로 설정하였다. 기상자료는 1981~2010년을 기준년도로 하여 기상연구소에서 제작한 2011~2100년 기간의 3개 평년(2011~2040, 2041~2070, 2071~2100)의 A1B 기후시나리오에 근거하여 일별 기후자료로 작성하였으며, 생육모의 조건은 기준년도(1981~2010)를 기준으로 온도 및 $CO_2$ 농도만 변화를 주거나 기후변화에 따라 온도, $CO_2$ 농도 및 재배시기 등 다양한 변화를 주었다. 생육모의 결과 기준년도(1981~2010)를 기준으로 온도만 변화를 주었을 경우 $1^{\circ}C$ 온도 상승에 따라 벼 수량은 6.7~10.6%까지 감소하였으며, $CO_2$ 농도만 변화를 주었을 때는 100ppm $CO_2$ 농도 증가에 따라 1.0~2.7% 증가하였다. 벼 생산성은 벼 생태형 및 기후지대별로 다소 차이가 있었다. 재배시기를 고정하였을 때 기후변화에 따른 벼 수량의 증감율은 조생종에서 -0.3~-23.4, 중생종에서 -1.9~-27.3, 중만생종에서 -1.7~-28.6%이었으며, 재배시기를 조정하였을 때는 조생종에서 3.3~-0.2, 중생종에서 1.8~-5.9, 중만생종에서 2.3~-7.4%로 조중생종에 비해 중만생종의 수량 감소율이 컸으며, 재배시기 조정여부에 따른 벼 생산성 변화의 차이가 컸다. 기상환경 및 재배 요인 중 기후변화에 따른 벼 생산성 변화에 대한 기여도는 기후온난화가 59.8%로 가장 크며, 재배시기 11.8, $CO_2$ 비료효과 9.7, 벼 생태형 1.7%의 순이었다. 온도와 재배시기의 상호작용 효과는 1.5%이었으며, 그 외 모든 상호작용 효과는 1% 이내로 생산성 변화에 거의 영향을 주지 못하였다. 수량관련 생육형질 중 기후변화에 따른 벼 생산성에 대한 기여도는 재배시기가 고정되었을 경우 영화수가 13.5~45.8%, 등숙율이 53.1~86.2%였으며, 재배시기를 변경할 경우 영화수는 46.2~78.3%, 등숙율은 21.6~53.4%로 재배시기 여부에 따른 수량관련 생육형질의 기여도에 큰 차이를 보였으며, 벼 생태형간에도 다소 차이가 있었다. 그러나 임실율은 벼 수량에 거의 영향을 주지 못했다.

• 지능정보연구
• /
• 제18권3호
• /
• pp.185-202
• /
• 2012

오늘날 정보사회에서는 정보에 대한 가치를 인식하고, 이를 위한 정보의 활용과 수집이 중요해지고 있다. 얼굴 표정은 그림 하나가 수천개의 단어를 표현할 수 있듯이 수천 개의 정보를 지니고 있다. 이에 주목하여 최근 얼굴 표정을 통해 사람의 감정을 판단하여 지능형 서비스를 제공하기 위한 시도가 MIT Media Lab을 필두로 활발하게 이루어지고 있다. 전통적으로 기존 연구에서는 인공신경망, 중회귀분석 등의 기법을 통해 사람의 감정을 판단하는 연구가 이루어져 왔다. 하지만 중회귀모형은 예측 정확도가 떨어지고, 인공신경망은 성능은 뛰어나지만 기법 자체가 지닌 과적합화 문제로 인해 한계를 지닌다. 본 연구는 사람들의 자극에 대한 반응으로서 나타나는 얼굴 표정을 통해 감정을 추론해내는 지능형 모형을 개발하는 것을 목표로 한다. 기존 얼굴 표정을 통한 지능형 감정판단모형을 개선하기 위하여, Support Vector Regression(이하 SVR) 기법을 적용하는 새로운 모형을 제시한다. SVR은 기존 Support Vector Machine이 가진 뛰어난 예측 능력을 바탕으로, 회귀문제 영역을 해결하기 위해 확장된 것이다. 본 연구의 제안 모형의 목적은 사람의 얼굴 표정으로부터 쾌/불쾌 수준 그리고 몰입도를 판단할 수 있도록 설계되는 것이다. 모형 구축을 위해 사람들에게 적절한 자극영상을 제공했을 때 나타나는 얼굴 반응들을 수집했고, 이를 기반으로 얼굴 특징점을 도출 및 보정하였다. 이후 전처리 과정을 통해 통계적 유의변수를 추출 후 학습용과 검증용 데이터로 구분하여 SVR 모형을 통해 학습시키고, 평가되도록 하였다. 다수의 일반인들을 대상으로 수집된 실제 데이터셋을 기반으로 제안모형을 적용해 본 결과, 매우 우수한 예측 정확도를 보임을 확인할 수 있었다. 아울러, 중회귀분석이나 인공신경망 기법과 비교했을 때에도 본 연구에서 제안한 SVR 모형이 쾌/불쾌 수준 및 몰입도 모두에서 더 우수한 예측성과를 보임을 확인할 수 있었다. 이는 얼굴 표정에 기반한 감정판단모형으로서 SVR이 상당히 효과적인 수단이 될 수 있다는 점을 알 수 있었다.

• 지능정보연구
• /
• 제19권2호
• /
• pp.125-140
• /
• 2013

어떤 클래스에 속한 레코드의 개수가 다른 클래스들에 속한 레코드의 개수보다 매우 많은 경우에, 이 데이터 집합을 '불균형 데이터 집합'이라고 한다. 데이터 분류에 사용되는 많은 기법들은 이러한 불균형 데이터에 대해서 저조한 성능을 보인다. 어떤 기법의 성능을 평가할 때에 적중률뿐만 아니라, 민감도와 특이도도 함께 측정하여야 한다. 고객의 이탈을 예측하는 문제에서 '유지' 레코드가 다수 클래스를 차지하고, '이탈' 레코드는 소수 클래스를 차지한다. 민감도는 실제로 '유지'인 레코드를 '유지'로 예측하는 비율이고, 특이도는 실제로 '이탈'인 레코드를 '이탈'로 예측하는 비율이다. 많은 데이터 마이닝 기법들이 불균형 데이터에 대해서 저조한 성능을 보이는 것은 바로 소수 클래스의 적중률인 특이도가 낮기 때문이다. 불균형 데이터 집합에 대처하는 과거 연구 중에는 소수 클래스를 Oversampling하여 균형 데이터 집합을 생성한 후에 데이터 마이닝 기법을 적용한 연구들이 있다. 이렇게 균형 데이터 집합을 생성하여 예측을 수행하면, 특이도는 다소 향상시킬 수 있으나 그 대신 민감도가 하락하게 된다. 본 연구에서는 민감도는 유지하면서 특이도를 향상시키는 모델을 개발하였다. 개발된 모델은 Support Vector Machine (SVM), 인공신경망(ANN) 그리고 의사결정나무 기법 등으로 구성된 하이브리드 모델로서, Hybrid SVM Model이라고 명명하였다. 구축과정 및 예측과정은 다음과 같다. 원래의 불균형 데이터 집합으로 SVM_I Model과 ANN_I Model을 구축한다. 불균형 데이터 집합으로부터 Oversampling을 하여 균형 데이터 집합을 생성하고, 이것으로 SVM_B Model을 구축한다. SVM_I Model은 민감도에서 우수하고, SVM_B Model은 특이도에서 우수하다. 입력 레코드에 대해서 SVM_I와 SVM_B가 동일한 예측치를 도출하면 그것을 최종 해로 결정한다. SVM_I와 SVM_B가 상이한 예측치를 도출한 레코드에 대해서는 ANN과 의사결정나무의 도움으로 판별 과정을 거쳐서 최종 해를 결정한다. 상이한 예측치를 도출한 레코드에 대해서는, ANN_I의 출력값을 입력속성으로, 실제 이탈 여부를 목표 속성으로 설정하여 의사결정나무 모델을 구축한다. 그 결과 다음과 같은 2개의 판별규칙을 얻었다. 'IF ANN_I output value < 0.285, THEN Final Solution = Retention' 그리고 'IF ANN_I output value ${\geq}0.285$, THEN Final Solution = Churn'이다. 제시되어 있는 규칙의 Threshold 값인 0.285는 본 연구에서 사용한 데이터에 최적화되어 도출된 값이다. 본 연구에서 제시하는 것은 Hybrid SVM Model의 구조이지 특정한 Threshold 값이 아니기 때문에 이 Threshold 값은 대상 데이터에 따라서 얼마든지 변할 수 있다. Hybrid SVM Model의 성능을 UCI Machine Learning Repository에서 제공하는 Churn 데이터 집합을 사용하여 평가하였다. Hybrid SVM Model의 적중률은 91.08%로서 SVM_I Model이나 SVM_B Model의 적중률보다 높았다. Hybrid SVM Model의 민감도는 95.02%이었고, 특이도는 69.24%이었다. SVM_I Model의 민감도는 94.65%이었고, SVM_B Model의 특이도는 67.00%이었다. 그러므로 본 연구에서 개발한 Hybrid SVM Model이 SVM_I Model의 민감도 수준은 유지하면서 SVM_B Model의 특이도보다는 향상된 성능을 보였다.

• 지능정보연구
• /
• 제25권2호
• /
• pp.25-38
• /
• 2019

정보화 시대의 넘쳐나는 콘텐츠들 속에서 사용자의 관심과 요구에 맞는 양질의 정보를 선별해내는 과정은 세대를 거듭할수록 더욱 중요해지고 있다. 정보의 홍수 속에서 사용자의 정보 요구를 단순한 문자열로 인식하지 않고, 의미적으로 파악하여 검색결과에 사용자 의도를 더 정확하게 반영하고자 하는 노력이 이루어지고 있다. 구글이나 마이크로소프트와 같은 대형 IT 기업들도 시멘틱 기술을 기반으로 사용자에게 만족도와 편의성을 제공하는 검색엔진 및 지식기반기술의 개발에 집중하고 있다. 특히 금융 분야는 끊임없이 방대한 새로운 정보가 발생하며 초기의 정보일수록 큰 가치를 지녀 텍스트 데이터 분석과 관련된 연구의 효용성과 발전 가능성이 기대되는 분야 중 하나이다. 따라서, 본 연구는 주식 관련 정보검색의 시멘틱 성능을 향상시키기 위해 주식 개별종목을 대상으로 뉴럴 텐서 네트워크를 활용한 지식 개체명 추출과 이에 대한 성능평가를 시도하고자 한다. 뉴럴 텐서 네트워크 관련 기존 주요 연구들이 추론을 통해 지식 개체명들 사이의 관계 탐색을 주로 목표로 하였다면, 본 연구는 주식 개별종목과 관련이 있는 지식 개체명 자체의 추출을 주목적으로 한다. 기존 관련 연구의 문제점들을 해결하고 모형의 실효성과 현실성을 높이기 위한 다양한 데이터 처리 방법이 모형설계 과정에서 적용되며, 객관적인 성능 평가를 위한 실증 분석 결과와 분석 내용을 제시한다. 2017년 5월 30일부터 2018년 5월 21일 사이에 발생한 전문가 리포트를 대상으로 실증 분석을 진행한 결과, 제시된 모형을 통해 추출된 개체명들은 개별종목이 이름을 약 69% 정확도로 예측하였다. 이러한 결과는 본 연구에서 제시하는 모형의 활용 가능성을 보여주고 있으며, 후속 연구와 모형 개선을 통한 성과의 제고가 가능하다는 것을 의미한다. 마지막으로 종목명 예측 테스트를 통해 본 연구에서 제시한 학습 방법이 새로운 텍스트 정보를 의미적으로 접근하여 관련주식 종목과 매칭시키는 목적으로 사용될 수 있는 가능성을 확인하였다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.205-225
• /
• 2018

Convolutional Neural Network (ConvNet)은 시각적 특징의 계층 구조를 분석하고 학습할 수 있는 대표적인 심층 신경망이다. 첫 번째 신경망 모델인 Neocognitron은 80 년대에 처음 소개되었다. 당시 신경망은 대규모 데이터 집합과 계산 능력이 부족하여 학계와 산업계에서 널리 사용되지 않았다. 그러나 2012년 Krizhevsky는 ImageNet ILSVRC (Large Scale Visual Recognition Challenge) 에서 심층 신경망을 사용하여 시각적 인식 문제를 획기적으로 해결하였고 그로 인해 신경망에 대한 사람들의 관심을 다시 불러 일으켰다. 이미지넷 첼린지에서 제공하는 다양한 이미지 데이터와 병렬 컴퓨팅 하드웨어 (GPU)의 발전이 Krizhevsky의 승리의 주요 요인이었다. 그러므로 최근의 딥 컨볼루션 신경망의 성공을 병렬계산을 위한 GPU의 출현과 더불어 ImageNet과 같은 대규모 이미지 데이터의 가용성으로 정의 할 수 있다. 그러나 이러한 요소는 많은 도메인에서 병목 현상이 될 수 있다. 대부분의 도메인에서 ConvNet을 교육하기 위해 대규모 데이터를 수집하려면 많은 노력이 필요하다. 대규모 데이터를 보유하고 있어도 처음부터 ConvNet을 교육하려면 많은 자원과 시간이 소요된다. 이와 같은 문제점은 전이 학습을 사용하면 해결할 수 있다. 전이 학습은 지식을 원본 도메인에서 새 도메인으로 전이하는 방법이다. 전이학습에는 주요한 두 가지 케이스가 있다. 첫 번째는 고정된 특징점 추출기로서의 ConvNet이고, 두번째는 새 데이터에서 ConvNet을 fine-tuning 하는 것이다. 첫 번째 경우, 사전 훈련 된 ConvNet (예: ImageNet)을 사용하여 ConvNet을 통해 이미지의 피드포워드 활성화를 계산하고 특정 레이어에서 활성화 특징점을 추출한다. 두 번째 경우에는 새 데이터에서 ConvNet 분류기를 교체하고 재교육을 한 후에 사전 훈련된 네트워크의 가중치를 백프로퍼게이션으로 fine-tuning 한다. 이 논문에서는 고정된 특징점 추출기를 여러 개의 ConvNet 레이어를 사용하는 것에 중점을 두었다. 그러나 여러 ConvNet 레이어에서 직접 추출된 차원적 복잡성을 가진 특징점을 적용하는 것은 여전히 어려운 문제이다. 우리는 여러 ConvNet 레이어에서 추출한 특징점이 이미지의 다른 특성을 처리한다는 것을 발견했다. 즉, 여러 ConvNet 레이어의 최적의 조합을 찾으면 더 나은 특징점을 얻을 수 있다. 위의 발견을 토대로 이 논문에서는 단일 ConvNet 계층의 특징점 대신에 전이 학습을 위해 여러 ConvNet 계층의 특징점을 사용하도록 제안한다. 본 논문에서 제안하는 방법은 크게 세단계로 이루어져 있다. 먼저 이미지 데이터셋의 이미지를 ConvNet의 입력으로 넣으면 해당 이미지가 사전 훈련된 AlexNet으로 피드포워드 되고 3개의 fully-connected 레이어의 활성화 틀징점이 추출된다. 둘째, 3개의 ConvNet 레이어의 활성화 특징점을 연결하여 여러 개의 ConvNet 레이어의 특징점을 얻는다. 레이어의 활성화 특징점을 연결을 하는 이유는 더 많은 이미지 정보를 얻기 위해서이다. 동일한 이미지를 사용한 3개의 fully-connected 레이어의 특징점이 연결되면 결과 이미지의 특징점의 차원은 4096 + 4096 + 1000이 된다. 그러나 여러 ConvNet 레이어에서 추출 된 특징점은 동일한 ConvNet에서 추출되므로 특징점이 중복되거나 노이즈를 갖는다. 따라서 세 번째 단계로 PCA (Principal Component Analysis)를 사용하여 교육 단계 전에 주요 특징점을 선택한다. 뚜렷한 특징이 얻어지면, 분류기는 이미지를 보다 정확하게 분류 할 수 있고, 전이 학습의 성능을 향상시킬 수 있다. 제안된 방법을 평가하기 위해 특징점 선택 및 차원축소를 위해 PCA를 사용하여 여러 ConvNet 레이어의 특징점과 단일 ConvNet 레이어의 특징점을 비교하고 3개의 표준 데이터 (Caltech-256, VOC07 및 SUN397)로 실험을 수행했다. 실험결과 제안된 방법은 Caltech-256 데이터의 FC7 레이어로 73.9 %의 정확도를 얻었을 때와 비교하여 75.6 %의 정확도를 보였고 VOC07 데이터의 FC8 레이어로 얻은 69.2 %의 정확도와 비교하여 73.1 %의 정확도를 보였으며 SUN397 데이터의 FC7 레이어로 48.7%의 정확도를 얻었을 때와 비교하여 52.2%의 정확도를 보였다. 본 논문에 제안된 방법은 Caltech-256, VOC07 및 SUN397 데이터에서 각각 기존에 제안된 방법과 비교하여 2.8 %, 2.1 % 및 3.1 %의 성능 향상을 보였다.