Data augmentation는 갖고 있는 데이터셋을 여러 가지 방법으로 augment하여 실질적인 학습 데이터셋의 규모를 키울 수 있는 방법입니다.
Andrew Ng의 Data augmentation 소개 영상을 통해 이 개념을 잘 이해해봅시다!
CV 작업은 더 많은 데이터를 사용할 수 있습니다. 여기서 Data augmentation은 컴퓨터 비전의 성능을 향상시키는 기술의 일종입니다. CV model을 train할 때 Data augmentation는 많은 도움이 됩니다!
등이 있습니다.
RGB를 이용한 색변환 방법이 있습니다.
실제로 RGB 값이 특정 확률 분포에 따라 정해집니다. 왼쪽의 고양이는 y로 변하지 않습니다. 색변형을 통해 학습 알고리즘이 색의 변화에 더 잘 반응할 수 있게 해줍니다.
색 변형하는 방법 중 하나로 PCA(주성분 분석) 방법이 있습니다. (AlexNet의 논문에도 언급되어 있습니다.)
데이터 확대를 구현하는 일반적인 방법은 이런 하나의 thread나 혹은 multi-thread로 데이터를 불러오고 변형을 구현해주고 그것을 다른 thread나 process에 전달해준 뒤 학습을 실행할 수 있습니다.
데이터가 많아진다는 것은 overfitting을 줄일 수 있다는 것을 의미합니다. 갖고 있는 데이터셋이 실제 상황에서의 입력값과 다를 경우, augmentation을 통해 실제 입력값과 비슷한 데이터 분포를 만들 수 있습니다.
예를 들어, 학습한 데이터는 노이즈가 많이 없는 사진이지만 테스트 이미지는 다양한 노이즈가 있는 경우 테스트에서 좋은 성능을 내기 위해서는 노이즈의 분포를 예측하고 학습 데이터에 노이즈를 삽입하여 모델이 노이즈에 잘 대응할 수 있도록 해야 합니다.
Data augmentation는 데이터를 늘릴 뿐 아니라 모델이 실제로 환경에서 잘 동작할 수 있도록 도와줍니다.
Image Data의 augmentation은 포토샵, SNS 사진 필터, 카메라 앱의 기능과 비슷합니다. 인스타 사진을 업로드 할 때 사용하는 필터도 동일합니다.
또 사진 편집 기능에서 좌우 대칭이나 상하 반전 등의 공간적 배치 조작도 가능합니다.
또또또? 모르는거 검색만하면 여기로 오네요! 블로그에 좋은글들 항상 감사합니다~