ㅁ 스마트 증강

ㅇ 정의:
원본 데이터에 새로운 데이터를 혼합하여 데이터셋을 증강하는 고도화된 기법.

ㅇ 특징:
– 데이터 다양성을 극대화.
– 과적합 방지 및 일반화 성능 향상.

ㅇ 적합한 경우:
– 데이터셋이 제한적이거나 불균형한 경우.
– 모델의 일반화 성능이 중요한 경우.

ㅇ 시험 함정:
– 단순 증강 기법과 혼동할 수 있음.
– 실제 적용 사례를 묻는 응용형 문제 출제 가능.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 스마트 증강은 데이터셋의 다양성을 높이는 데 기여한다.
X: 스마트 증강은 데이터의 양을 단순히 늘리는 기법이다.

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

1. CutMix

ㅇ 정의:
두 개의 이미지를 혼합하여 새로운 이미지를 생성하는 증강 기법으로, 한 이미지의 일부 영역을 잘라 다른 이미지에 붙이는 방식.

ㅇ 특징:
– 원본 이미지의 일부 정보만 유지.
– 라벨도 혼합 비율에 따라 비례적으로 조정.

ㅇ 적합한 경우:
– 이미지 데이터셋에서 클래스 간 경계 모호성을 높이고자 할 때.
– 모델의 과적합을 방지하고 일반화 성능을 개선하고자 할 때.

ㅇ 시험 함정:
– CutMix와 MixUp 같은 유사 기법과의 차이를 명확히 이해하지 못할 수 있음.
– 적용 대상이 이미지 데이터에 국한된다는 점을 간과할 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: CutMix는 두 개의 이미지를 혼합하여 새로운 데이터를 생성한다.
X: CutMix는 이미지의 모든 영역을 무작위로 혼합한다.

ㅁ 추가 학습 내용

CutMix와 관련된 주요 비교 기법으로 MixUp, AutoAugment를 학습할 때, 각 기법의 차이점을 명확히 이해하는 것이 중요합니다.

MixUp은 두 개의 이미지를 선형 결합하여 새로운 이미지를 생성하고, 이에 따라 라벨도 선형적으로 혼합합니다. 이는 네트워크가 더 일반화된 데이터 분포를 학습하도록 도와줍니다. 반면, CutMix는 두 이미지를 단순히 결합하는 것이 아니라 한 이미지의 특정 영역을 잘라내어 다른 이미지에 삽입합니다. 이 과정에서 잘라낸 영역의 비율에 따라 라벨도 혼합됩니다. 이러한 방식은 MixUp보다 공간적 정보를 보존하기에 효과적입니다.

AutoAugment는 데이터 증강 정책을 자동으로 학습하여 최적의 증강 조합을 찾는 방법입니다. 이는 이미지의 시각적 변형을 기반으로 하며, CutMix나 MixUp처럼 이미지 간의 결합을 활용하지 않습니다. 따라서 AutoAugment는 증강 정책 설계에 중점을 둔 반면, CutMix와 MixUp은 이미지 데이터의 혼합을 통해 일반화 성능을 높이는 데 초점을 둡니다.

CutMix의 수학적 원리는 두 이미지의 픽셀 값을 특정 영역에서 교체하는 방식으로 작동합니다. 예를 들어, 이미지 A와 이미지 B가 있을 때, 이미지 A의 일부 영역을 잘라내어 이미지 B의 동일한 위치에 삽입합니다. 이 과정에서 라벨은 잘라낸 영역의 크기 비율에 따라 가중치를 두어 혼합됩니다. 수학적으로는 다음과 같이 표현됩니다:
새로운 이미지 = λ * 이미지 A + (1 – λ) * 이미지 B
새로운 라벨 = λ * 라벨 A + (1 – λ) * 라벨 B
여기서 λ는 잘라낸 영역의 비율에 따라 결정됩니다.

CutMix는 MixUp과 비교했을 때 공간적 연속성을 유지하면서도 이미지 간의 의미 있는 결합을 가능하게 합니다. 시험 대비를 위해 각 기법의 원리와 장단점을 명확히 이해하고, CutMix의 라벨 혼합 방식과 수학적 표현을 숙지하는 것이 효과적입니다.