🇶 데이터 증강(Data Augmentation)이란 무엇이며, 이미지 데이터에서 주로 사용하는 증강 기법에는 어떤 것들이 있나요?
데이터 증강(Data Augmentation)은 기존의 한정된 학습 데이터에 인위적인 변화를 주어 데이터의 양을 늘리고, 모델의 일반화 성능(Generalization)을 높이는 기법을 말합니다.
쉽게 말해, 모델이 '강아지' 사진을 한 장만 보는 것이 아니라, 그 사진을 뒤집고, 자르고, 밝기를 조절한 여러 버전을 보게 함으로써 '어떤 각도나 조명에서도 이건 강아지구나'라고 학습하게 만드는 과정입니다. 이를 통해 모델이 특정 훈련 데이터에만 과도하게 맞춰지는 과적합(Overfitting) 문제를 방지할 수 있습니다.
💡 주요 이미지 데이터 증강 기법
이미지 분야에서 가장 흔히 사용되는 기법들은 다음과 같습니다.
1. 기하학적 변환 (Geometric Transformations)
이미지의 형태나 위치를 바꾸는 가장 기본적인 방법입니다.
- 좌우/상하 반전 (Flip): 이미지를 좌우 또는 상하로 반전시킵니다. (예: 강아지 사진을 좌우 반전해도 강아지라는 본질은 변하지 않음)
- 회전 (Rotation): 이미지를 특정 각도만큼 회전시킵니다.
- 자르기 및 크기 조정 (Crop & Resize): 이미지의 특정 부분만 잘라내어 확대하거나 크기를 조절합니다.
- 평행 이동 (Translation): 이미지를 가로 또는 세로 방향으로 약간 이동시킵니다.
2. 색상 및 밝기 변형 (Photometric Transformations)
이미지의 픽셀 값 자체를 변경하여 조명이나 카메라 설정을 모사합니다.
- 밝기 및 대비 조절 (Brightness & Contrast): 이미지의 밝기를 높이거나 낮추고, 색상 간의 차이를 조절합니다.
- 채도 및 색조 변경 (Color Jittering): 이미지의 채도(Saturation), 색조(Hue) 등을 미세하게 변경합니다.
- 노이즈 주입 (Noise Injection): 이미지에 무작위 노이즈(예: Gaussian Noise)를 추가하여 모델이 거친 환경에서도 잘 작동하게 합니다.
3. 고급 및 복합 기법
최근에는 여러 이미지를 조합하거나 특정 부분을 삭제하는 방식이 많이 쓰입니다.
- 컷아웃 (Cutout): 이미지의 일정 부분을 검은색 사각형으로 가려 모델이 특정 특징(예: 눈)에만 집착하지 않고 전체적인 맥락을 학습하게 합니다.
- 믹스업 (Mixup): 두 개의 이미지를 투명도를 조절해 겹치고 라벨도 그 비율에 맞춰 섞는 방식입니다 (예: 강아지 70% + 고양이 30%가 섞인 모호한 이미지 학습).
- 컷믹스 (CutMix): 이미지의 특정 부분을 잘라내고 그 자리에 다른 이미지의 조각을 붙여 넣는 방식입니다.
✅ 왜 데이터 증강을 해야 할까요?
- 데이터 부족 해결: 실제 데이터를 수집하고 라벨링하는 비용은 비싸지만, 증강은 컴퓨터 연산만으로 데이터를 무한히 생성할 수 있습니다.
- 강건함(Robustness) 확보: 현실 세계에서 찍히는 사진은 항상 정중앙에 완벽한 조명으로 찍히지 않습니다. 증강을 거친 모델은 실제 환경의 변수들에 훨씬 더 잘 대응합니다.
⛔ 사용 시 주의사항
- 데이터 증강을 적용할 때는
데이터의 특성(Domain)을 고려하는 것이 매우 중요합니다. 예를 들어, 숫자 인식 모델(MNIST)에서 '6'을 180도 회전시키면 '9'가 되어버려 라벨의 의미가 훼손될 수 있으므로 주의해야 합니다. 또한, 의료 영상(CT, MRI)에서 상하 반전은 현실적이지 않아 오히려 해가 될 수 있습니다. - 증강은 훈련 데이터에만 적용하고, 검증/테스트 데이터에는 적용하지 않는 것이 원칙입니다.
- 과도한 증강은 오히려 학습을 방해할 수 있으므로 강도 조절이 필요합니다.
