ㅁ 이미지 증강

ㅇ 정의:
이미지 증강은 원본 이미지를 다양한 변환 기법을 통해 변형하여 데이터셋의 다양성을 인위적으로 증가시키는 기법이다.

ㅇ 특징:
– 데이터 부족 문제를 완화하고 과적합(overfitting)을 방지한다.
– 모델의 일반화 성능을 향상시킨다.
– 변환 시 원본 데이터의 의미를 훼손하지 않는 것이 중요하다.

ㅇ 적합한 경우:
– 이미지 데이터가 적어 학습 데이터 확보가 어려운 경우
– 다양한 각도, 조명, 배경에서의 인식 성능이 필요한 경우

ㅇ 시험 함정:
– 모든 변환이 항상 성능 향상으로 이어지는 것은 아니다.
– 변환 강도가 지나치면 원본 의미가 훼손되어 오히려 성능 저하 가능

ㅇ 시험 대비 “패턴 보기” 예시:
O: “이미지 증강은 모델의 일반화 성능 향상에 기여한다.”
X: “이미지 증강은 데이터셋의 크기를 줄이는 기법이다.”

================================

1. 회전

ㅇ 정의:
이미지 증강 기법 중 하나로, 이미지를 일정 각도만큼 회전시켜 새로운 학습 데이터를 생성하는 방법이다.

ㅇ 특징:
– 다양한 시점에서 객체를 인식하도록 모델을 학습시킬 수 있다.
– 회전 각도는 보통 ±10도, ±15도, ±30도 등으로 설정되며, 지나친 회전은 객체 형태 왜곡을 유발할 수 있다.

ㅇ 적합한 경우:
– 촬영 각도가 일정하지 않은 이미지 데이터셋
– 물체의 방향성이 다양하게 나타나는 경우

ㅇ 시험 함정:
– 180도 회전은 상하/좌우 반전과 혼동될 수 있음
– 모든 객체가 회전에 불변한 것은 아님 (예: 숫자 6과 9)

ㅇ 시험 대비 “패턴 보기” 예시:
O: “회전 증강은 다양한 시점에서의 인식 성능 향상에 도움을 준다.”
X: “회전 증강은 항상 객체의 의미를 유지한다.”

ㅁ 추가 학습 내용

회전 증강 시 고려 요소
1. 회전 중심점 설정: 이미지 중심 또는 특정 객체 중심 중 선택
2. 보간 방식: 최근접 이웃, 양선형, 3차 스플라인 등
3. 회전 후 이미지 크기 조정 여부: 패딩 처리 또는 크롭 처리

시험 출제 포인트
– 회전 변환이 데이터셋의 클래스 분포나 라벨에 미치는 영향
– 방향성이 중요한 데이터(예: 교통 표지판, 숫자 인식)에서 부적절한 회전이 오답을 유발할 수 있음
– 회전과 이동, 스케일링, 뒤집기 등의 증강 기법을 함께 사용할 때의 조합 효과