ㅁ 의미론적 분할/증강

ㅇ 정의:
이미지 데이터를 처리하거나 분석하기 위해 픽셀 단위로 의미를 분할하고 증강 기법을 적용하는 기술.

ㅇ 특징:
– 의료 영상에서 병변 부위를 정확히 탐지하고 분할하는 데 사용됨.
– 데이터 증강 기법을 통해 모델의 일반화 성능을 향상시킴.

ㅇ 적합한 경우:
– 의료 영상 데이터가 제한적인 경우.
– 병변 부위의 명확한 경계가 필요한 경우.

ㅇ 시험 함정:
– 증강 기법이 원본 데이터의 의미를 훼손하는 경우.
– 분할된 결과를 평가할 때 정확도 외에 민감도와 특이도를 고려하지 않는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 의미론적 분할은 픽셀 단위로 이미지를 분석하여 특정 영역을 분리하는 기법이다.
– X: 의미론적 분할은 이미지의 전체적인 색상을 변경하는 기법이다.

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

1. Brightness Adjustment

ㅇ 정의:
이미지의 밝기를 조정하여 데이터 증강을 수행하는 기법.

ㅇ 특징:
– 픽셀 값의 범위를 조정하여 밝기를 변경.
– 의료 영상에서 과도한 밝기 조정은 병변 탐지에 영향을 줄 수 있음.

ㅇ 적합한 경우:
– 의료 영상의 조명 조건이 다양할 때.
– 데이터 증강을 통해 모델의 조명 변화에 대한 강건성을 높이고자 할 때.

ㅇ 시험 함정:
– 밝기 조정이 원본 데이터의 병변 특징을 왜곡하는 경우.
– 밝기 조정만으로 데이터 증강이 충분하다고 가정하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: Brightness Adjustment는 의료 영상의 밝기를 조정하여 모델의 일반화 성능을 높이는 데 사용된다.
– X: Brightness Adjustment는 의료 영상의 해상도를 높이는 기법이다.

ㅁ 추가 학습 내용

의미론적 분할/증강과 관련된 추가적인 데이터 증강 기법으로는 Contrast Adjustment, Rotation, Scaling 등이 있다.

1. Contrast Adjustment: 이 기법은 이미지의 대비를 조정하여 데이터의 다양성을 증가시키는 방법이다. 대비를 높이거나 낮춤으로써 모델이 다양한 조명 조건에서도 잘 작동할 수 있도록 학습을 돕는다. 이는 특히 이미지 내의 객체가 다양한 밝기와 색상 조건에서 나타날 수 있는 경우에 유용하다.

2. Rotation: 이미지를 일정 각도로 회전시키는 기법이다. 이는 다양한 방향에서의 객체 인식을 학습시키는 데 유용하다. 예를 들어, 의미론적 분할 작업에서 객체가 다양한 각도로 배치될 수 있는 경우, 이 기법을 통해 모델이 더 일반화된 성능을 갖추게 된다.

3. Scaling: 이미지를 확대하거나 축소하는 기법이다. 이는 객체의 크기가 다양하게 나타날 수 있는 상황에서 모델이 이를 잘 처리하도록 돕는다. 의미론적 분할 작업에서는 객체의 크기가 일정하지 않을 수 있으므로 이 기법이 특히 중요하다.

증강 기법들이 모델의 성능에 미치는 영향을 정량적으로 평가하기 위해서는 다양한 방법론을 활용할 수 있다. 예를 들어, 증강 데이터를 사용하여 훈련한 모델의 정확도, 정밀도, 재현율, F1-score 등을 측정하고, 증강을 적용하지 않은 경우와 비교하는 방식이 있다. 또한, 교차 검증을 통해 증강 기법이 모델의 일반화 성능에 미치는 영향을 분석할 수도 있다. 이를 통해 어떤 증강 기법이 특정 데이터세트나 작업에 가장 효과적인지 판단할 수 있다.