ㅁ 이미지 증강

ㅇ 정의:
이미지 데이터를 인위적으로 변형하여 데이터셋을 확장하는 기술.

ㅇ 특징:
– 데이터 부족 문제를 해결하고 모델의 일반화 성능을 향상시킴.
– 다양한 변형 기법을 통해 데이터 다양성을 확보.

ㅇ 적합한 경우:
– 데이터셋의 크기가 작거나 특정 클래스의 데이터가 부족한 경우.
– 모델의 과적합(overfitting)을 방지하고자 할 때.

ㅇ 시험 함정:
– 이미지 증강이 항상 성능을 향상시키는 것은 아님. 데이터의 특성과 증강 방법이 적합해야 함.
– 증강된 데이터가 원본 데이터의 분포를 왜곡할 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 이미지 증강은 데이터 부족 문제를 해결하는 데 효과적이다.
X: 모든 이미지 증강 기법은 데이터 품질을 향상시킨다.

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

1. 이동

ㅇ 정의:
이미지를 좌우 또는 상하로 이동시키는 증강 기법.

ㅇ 특징:
– 이미지의 위치를 조정하여 다양한 시각적 변화를 생성.
– 원본 이미지의 주요 특징이 포함되도록 이동 범위를 신중히 설정해야 함.

ㅇ 적합한 경우:
– 객체의 위치 변화에 강건한 모델을 학습하고자 할 때.
– 이미지 데이터가 특정 위치에 편향되어 있을 경우.

ㅇ 시험 함정:
– 이동 범위가 너무 크면 주요 객체가 이미지에서 벗어나 학습 효과가 떨어질 수 있음.
– 이동 후 빈 공간을 채우는 방법에 따라 결과가 달라질 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 이동 증강은 객체 위치 변화에 강건한 모델을 학습하는 데 유용하다.
X: 이동 증강은 이미지의 모든 특징을 보존한다.

ㅁ 추가 학습 내용

이동 증강 기법과 관련된 학습 내용은 다음과 같이 정리할 수 있습니다:

1) 이동 범위 설정의 기준:
– 이동 범위를 설정할 때는 원본 데이터의 특성을 고려해야 합니다. 예를 들어, 이미지 데이터의 경우 이동 범위가 너무 크면 주요 객체가 프레임 밖으로 벗어날 수 있으므로 적절한 범위를 설정해야 합니다.
– 이동 후 생기는 빈 공간을 처리하는 방법에 대한 이해가 필요합니다. 주요 방법으로는 패딩(특정 색상이나 값을 채워 넣기), 반복(원본 데이터를 반복적으로 채워 넣기), 랜덤 채우기(임의의 값이나 패턴으로 빈 공간을 채우기) 등이 있습니다. 각각의 방법은 데이터의 특성과 증강 목표에 따라 선택됩니다.

2) 이동 증강의 한계:
– 이동 기법이 적용되지 않는 데이터셋의 사례를 학습해야 합니다. 예를 들어, 고정된 위치 정보가 중요한 경우에는 이동 증강이 데이터의 의미를 왜곡할 수 있습니다. 대표적인 사례로는 의료 영상 데이터(특정 위치의 병변 분석), 지도 데이터(정확한 지리적 위치가 필요한 경우), 또는 센서 데이터(고정된 위치에서의 신호 측정)가 있습니다.
– 이동 증강은 데이터의 다양성을 증가시키는 데 유용하지만, 데이터의 본질적 특성을 유지해야 한다는 점에서 한계가 있습니다. 이를 고려한 기법 적용이 필요합니다.