실전: 학술 논문 작성

\documentclass[12pt, a4paper]{article}

% === 패키지 ===
\usepackage{kotex}           % 한글 지원
\usepackage{amsmath, amssymb, amsthm}  % 수식
\usepackage{graphicx}        % 그림
\usepackage{booktabs}        % 전문적인 표
\usepackage{subcaption}      % 하위 그림
\usepackage[backend=biber, style=numeric]{biblatex}
\usepackage[colorlinks=true]{hyperref}
\usepackage{geometry}
\geometry{margin=2.5cm}

\addbibresource{references.bib}

% === 정리 환경 ===
\newtheorem{theorem}{정리}[section]
\newtheorem{definition}{정의}[section]

% === 문서 정보 ===
\title{딥러닝 기반 이미지 분류 기법의 성능 비교 분석}
\author{
  홍길동\thanks{교신저자: hong@university.ac.kr} \\
  \small 한국대학교 컴퓨터공학과
}
\date{2024년 3월}

\begin{document}
\maketitle

\begin{abstract}
본 연구에서는 CNN, ResNet, EfficientNet 등 주요 딥러닝 모델의
이미지 분류 성능을 CIFAR-10 데이터셋에서 비교 분석하였다.
실험 결과, EfficientNet-B3 모델이 95.2\%의 최고 정확도를 달성하였으며,
모델 크기 대비 성능 효율성에서도 우수한 결과를 보였다.
본 논문은 실무에서의 모델 선택 기준을 제시한다.
\end{abstract}

\noindent\textbf{키워드:} 딥러닝, 이미지 분류, CNN, 전이 학습, 성능 비교

\tableofcontents   % 목차 자동 생성
\newpage

\section{서론}
\label{sec:intro}

이미지 분류는 컴퓨터 비전의 핵심 과제로, 최근 딥러닝의 발전으로
인해 인간 수준의 정확도를 달성하고 있다~\cite{kim2024deep}.
특히 합성곱 신경망(CNN)은 이미지의 공간적 특징을 효과적으로
학습할 수 있어 가장 널리 사용되는 아키텍처이다.

본 연구의 주요 기여는 다음과 같다:
\begin{enumerate}
  \item 주요 CNN 아키텍처의 체계적인 비교 분석
  \item 모델 크기와 정확도 간의 트레이드오프 분석
  \item 실무 적용을 위한 모델 선택 가이드라인 제시
\end{enumerate}

\section{관련 연구}
\label{sec:related}

\textcite{bishop2006pattern}은 패턴 인식의 이론적 기초를 다루었으며,
\textcite{vaswani2017attention}은 어텐션 메커니즘을 제안하여
시퀀스 모델링에 혁신을 가져왔다.

\section{제안 방법}
\label{sec:method}

\begin{definition}
분류 함수 $f: \mathbb{R}^{H \times W \times C} \rightarrow \{1, \ldots, K\}$는
입력 이미지를 $K$개의 클래스 중 하나로 매핑한다.
\end{definition}

본 연구에서 사용한 손실 함수는 다음과 같다:
\begin{equation}
\label{eq:loss}
  \mathcal{L} = -\frac{1}{N} \sum_{i=1}^{N} \sum_{k=1}^{K}
  y_{ik} \log(\hat{y}_{ik})
\end{equation}
여기서 $y_{ik}$는 실제 라벨, $\hat{y}_{ik}$는 예측 확률이다.

\section{실험}
\label{sec:experiment}

\subsection{실험 환경}
실험은 NVIDIA RTX 3090 GPU에서 수행하였으며,
PyTorch 2.0 프레임워크를 사용하였다.

\subsection{결과}
표~\ref{tab:main_results}에 주요 실험 결과를 정리하였다.

\begin{table}[htbp]
  \centering
  \caption{모델별 분류 성능 비교}
  \label{tab:main_results}
  \begin{tabular}{lrrr}
    \toprule
    모델 & 파라미터 수 & 정확도 (\%) & 추론 시간 (ms) \\
    \midrule
    VGG-16          & 138M & 92.1 & 4.2 \\
    ResNet-50       & 25M  & 93.8 & 3.1 \\
    EfficientNet-B3 & 12M  & 95.2 & 2.8 \\
    \bottomrule
  \end{tabular}
\end{table}

식~\eqref{eq:loss}으로 학습한 결과,
그림~\ref{fig:architecture}의 EfficientNet 구조가
가장 우수한 성능을 보였다.

\section{결론}
\label{sec:conclusion}
본 연구에서는 주요 CNN 모델의 이미지 분류 성능을
체계적으로 비교 분석하였다.
향후 연구에서는 ViT 등 트랜스포머 기반 모델과의
비교를 추가할 예정이다.

% === 참고문헌 ===
\printbibliography[title={참고문헌}]

\end{document}