EMNIST(Extended MNIST)는 손으로 쓴 문자 데이터셋으로, 원래 숫자만 포함하던 MNIST 데이터셋을 확장하여 숫자와 대문자 및 소문자를 모두 포함한다. 240,000개의 훈련 이미지와 40,000개의 테스트 이미지로 구성되며, 각 이미지는 28x28 크기의 회색조 이미지이다. EMNIST는 기계 학습 및 심층 학습 연구에서 문자 인식 및 분류 알고리즘 벤치마킹과 같은 작업에 널리 사용된다.
이 데이터셋은 2017년 웨스턴 시드니 대학교의 MARCS 뇌, 행동 및 발달 연구소에서 Gregory Cohen, Saeed Afshar, Jonathan Tapson, André van Schaik에 의해 소개되었다. 이는 3,600명 이상의 필기 샘플을 포함하는 NIST 특수 데이터베이스 19를 MNIST와 동일한 형식으로 변환하여 생성되었다. EMNIST는 MNIST보다 더 도전적인 벤치마크를 제공하는데, 그 이유는 문자를 포함하여 클래스 수가 더 많고 특정 문자 간의 시각적 유사성이 더 크기 때문이다(예: 'O'와 '0', 'I'와 'l').
변형 및 분할
EMNIST는 각각 다른 클래스 구조를 가진 여러 변형으로 제공된다. 가장 일반적인 것은 EMNIST Letters로, 26개 클래스(A-Z)와 145,600개의 훈련 이미지를 포함한다. 다른 변형으로는 EMNIST Digits(10개 클래스, 280,000개 훈련 이미지), EMNIST Balanced(47개 클래스, 112,800개 훈련 이미지), EMNIST ByClass(62개 클래스, 697,932개 훈련 이미지), EMNIST ByMerge(47개 클래스, 697,932개 훈련 이미지)가 있다. Balanced 및 ByMerge 변형은 특정 문자 대소문자(예: 'C'와 'c')를 병합하여 모호성을 줄이는 반면, ByClass는 모든 클래스를 분리하여 유지한다.
연구에서의 사용
EMNIST는 신경망 아키텍처 및 훈련 기법을 평가하기 위한 표준 벤치마크가 되었다. 이는 종종 데이터 증강, 드롭아웃, 배치 정규화 및 기타 정규화 방법의 개선을 테스트하는 데 사용된다. 연구자들은 또한 더 큰 데이터셋에서 사전 훈련된 모델을 EMNIST에 미세 조정하는 전이 학습을 연구하는 데 EMNIST를 사용한다. 이 데이터셋은 PyTorch 및 TensorFlow와 같은 인기 있는 기계 학습 라이브러리에 포함되어 실험에 쉽게 접근할 수 있다.
MNIST와의 관계
EMNIST는 동일한 이미지 크기와 형식을 가진 MNIST의 대체재로 설계되었다. 그러나 문자 포함으로 인해 난이도가 증가한다: 클래스 수가 10개에서 최대 62개로 늘어나고, 클래스 간 유사성이 더 높아진다.这使得 EMNIST는 우편물 분류 및 양식 처리와 같은 실제 응용 프로그램에서 손글씨 인식에 더 현실적인 벤치마크가 된다. 많은 연구에서 MNIST에서 거의 완벽한 정확도를 달성한 모델이 EMNIST에서는 상당한 성능 저하를 보이며, 더 견고한 방법의 필요성을 강조한다.
한계 및 확장
더 넓은 범위에도 불구하고 EMNIST는 여전히 한계가 있다. 이는 단일 소스(NIST)에서 파생되었으므로 다양한 인구 집단의 손글씨 스타일의 전체 다양성을 포착하지 못할 수 있다. 이미지도 중앙 정렬 및 정규화로 전처리되어 변동성이 줄어든다. 이러한 문제를 해결하기 위해 연구자들은 Fashion-MNIST(의류 이미지) 및 Kuzushiji-MNIST(일본 문자)와 같은 확장판을 만들었지만, EMNIST는 여전히 널리 사용되는 기준선으로 남아 있다. 2020년대 초반 기준으로 EMNIST는 매년 수백 편의 논문에서 인용되며, 심층 학습 개념을 가르치는 교육 환경에서도 자주 사용된다.