작성한 질문수 2

0

안녕하십니까,

생각해볼 거리를 제공하는 좋은 질문이군요.

1. 불균형한 이미지 데이터 문제를 개선하기 위해 augmentation을 활용하기도 하지만 성능 향상을 크게 기대하기 어려운 경우가 많습니다.

일반적으로 이미지의 불균형 문제는 이미지 분류에서도 큰 문제 입니다. 가령 반도체 웨이퍼의 불량이미지를 검출한다고 할 때 일반적인 반도체 웨이퍼의 이미지는 매우 많지만 불량 이미지의 갯수는 상대적으로 적은 경우가 대부분이어서 모델 학습에 어려움이 있을 수 있습니다.

초기에 이런 문제를 해결하기 위해서 말씀하신대로 학습을 시키기 이전에 먼저 건수가 작은 이미지들을 augmentation으로 이미지를 증가시키는 기법을 적용하는 방법을 사용하기도 했습니다.

하지만 augmentation이 기본적으로는 원본 이미지를 기반으로 색상/명도/조도 또는 위치 변경등의 변형 작업을 수행하기 때문에 모델 성능을 크게 향상시키지는 못했습니다. 또한 학습 시에는 없던 다양한 형태의 이미지들이 테스트 데이터로 들어오게 되면 어쩔수 없이 성능이 저하되게 됩니다.

그래서 GAN 기법을 이용해서 synthetic 이미지를 만드는 방식도 한동안 유행하는데, 이 방식 역시 Augmentation보다는 조금 낫지만, 성능을 크게 향상 시키지는 못하게 됩니다.

이러한 문제는 아직도 개선을 위해서 많이 연구중이며 semi supervised나 self supervised와 같은 방식이 활발하게 연구중입니다.

2. 네 맞습니다. 대략적 으로나마 이미지 변형 횟수는 epochs 횟수 정도로 가늠할수 밖에 없습니다. 왜냐하면 수행이 될 때마다 반드시 변형이 되는게 아니고 random으로 변형 확률이 정해지기 때문에 그렇습니다.

감사합니다.