ㅁ 이미지 증강

ㅇ 정의:
데이터셋의 다양성을 높이기 위해 기존 이미지를 변형하여 새로운 데이터를 생성하는 과정.

ㅇ 특징:
– 데이터 부족 문제를 해결하기 위해 사용.
– 모델의 일반화 성능을 향상시킴.
– 과적합 방지에 기여.

ㅇ 적합한 경우:
– 데이터셋의 크기가 작아 학습이 충분하지 않은 경우.
– 다양한 관점에서의 이미지 변형이 필요한 경우.

ㅇ 시험 함정:
– 이미지 증강 기법이 항상 성능 향상으로 이어지는 것은 아님.
– 증강 과정에서 원본 데이터의 의미가 왜곡될 가능성.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 이미지 증강은 데이터셋 크기와 관계없이 항상 유리하다. (X)
2. 이미지 증강은 과적합 방지에 기여할 수 있다. (O)

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

1. 회전

ㅇ 정의:
이미지를 특정 각도로 회전시켜 새로운 데이터를 생성하는 증강 기법.

ㅇ 특징:
– 이미지의 방향성을 다양화하여 모델의 일반화 능력을 향상.
– 회전 각도는 보통 90도, 180도, 270도 또는 임의의 각도로 설정 가능.

ㅇ 적합한 경우:
– 이미지의 방향성이 학습에 중요한 영향을 미치지 않는 경우.
– 다양한 각도에서의 데이터를 학습해야 하는 경우.

ㅇ 시험 함정:
– 모든 이미지에서 회전이 유효한 것은 아님. 예를 들어, 텍스트가 포함된 이미지에서는 부적합.
– 과도한 회전으로 인해 원본 데이터의 의미가 왜곡될 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 회전은 텍스트 이미지에서도 항상 유효하다. (X)
2. 회전은 이미지의 방향성을 다양화하는 데 사용된다. (O)

ㅁ 추가 학습 내용

이미지 증강은 데이터셋의 다양성을 높이고 모델의 일반화 능력을 향상시키기 위한 중요한 기법입니다. 이를 효과적으로 학습하려면 다양한 증강 기법을 이해하고 비교하는 것이 필요합니다. 다음은 주요 이미지 증강 기법과 관련된 학습 내용입니다:

1. **좌우 반전**:
– 이미지를 좌우로 뒤집는 기법으로, 대칭적인 특징을 가진 데이터셋에서 유용합니다.
– 학습할 때 반전된 이미지가 원본 데이터의 의미를 유지하는지 주의해야 합니다.

2. **밝기 조정**:
– 이미지의 밝기를 증가시키거나 감소시키는 기법입니다.
– 다양한 조명 조건에서 모델이 잘 작동하도록 돕습니다.
– 너무 극단적인 밝기 변화는 데이터의 정보를 손실할 수 있으므로 적절한 범위를 설정해야 합니다.

3. **크기 조정**:
– 이미지를 확대하거나 축소하는 기법으로, 다양한 스케일에서 객체를 인식하는 능력을 강화합니다.
– 크기 조정 후 원본 비율을 유지하거나 패딩을 추가하여 왜곡을 방지해야 합니다.

4. **회전**:
– 이미지를 특정 각도로 회전시키는 기법으로, 다양한 방향에서 객체를 인식하는 데 유용합니다.
– 회전 각도가 클 경우 데이터 왜곡 가능성이 높아질 수 있으며, 이를 최소화하기 위해 원본 데이터와 비교 검증이 필요합니다.
– 회전 범위를 설정할 때 데이터의 특성과 모델의 목적에 따라 적절한 값을 선택해야 합니다.

5. **데이터 왜곡 최소화 전략**:
– 원본 데이터와 증강된 데이터를 비교하여 품질을 평가합니다.
– 증강된 데이터가 원본 데이터의 특성을 유지하면서도 다양성을 제공하는지 확인합니다.
– 모델 학습 후 성능 평가를 통해 증강 기법이 학습에 긍정적인 영향을 미치는지 검증합니다.

6. **기법 간 비교**:
– 각 증강 기법을 적용한 데이터셋을 사용하여 모델을 학습하고 성능을 비교합니다.
– 특정 증강 기법이 데이터셋의 특성에 따라 더 효과적일 수 있으므로, 다양한 기법을 실험적으로 확인하는 것이 중요합니다.

이와 같은 내용을 체계적으로 학습하면 이미지 증강 기법의 효과를 이해하고 적절히 활용할 수 있습니다.