데이터 증강(Data Augmentation)이란 기존 데이터에 다양한 변형을 가하여 학습 데이터가 충분하지 않을 때, 새로운 학습 데이털르 생성하는 기법이다. 딥러닝 모델은 많은 데이터를 필요로 하지만, 충분한 양의 데이터를 확보하기 어려운 경우가 많다. 따라서 데이터 증강을 활용하여 모델의 일반화 성능을 향상시키고 과적합을 방지한다.
이미지 데이터에서 자주 사용하는 데이터 증강 기법에는 회전, 뒤집기, 잘라내기, 밝기/색상 변화 등이 있다. 회전(Rotation)이란 이미지를 특정 각도로 회전시키는 것이고, 뒤집기(Flipping)는 수평/수직 방향으로 이미지를 뒤집어, 이미지가 좌우 대칭성을 가질 때 효과적이다. 잘라내기(Cropping)는 이미지의 일부분을 랜덤하게 잘라내고 확대/축소하여 다양한 시각적 변화를 학습할 있다. 마지막으로 밝기/색상 변화는 이미지의 밝기, 대비, 색조 등을 조정하여 다양한 조명 환경에서 모델이 잘 작동하도록 만든다.
데이터 증강을 한다고 해서 기존 학습 데이터의 크기가 증가하는 것은 아니다. 데이터 증강 기법은 매 배치마다 랜덤하게 적용되어 데이터의 크기를 늘리지 않고도 모델 학습의 효율성과 일반화 성능을 높일 수 있는 기법이다.
전이 학습(Transfer Learning)이란 이미 학습된 모델의 가중치를 활용하여 새로운 데이터나 문제에 적용하는 기법이다. 딥러닝 모델을 처음부터 학습시키려면 많은 데이터와 연산 자원을 필요로 하지만, 전이 학습 기법을 사용하면 기존에 학습된 가중치를 바탕으로 적은 양의 데이터와 연산으로도 좋은 성능의 모델을 얻을 수 있다. 이미지 분류 모델에서 전이 학습을 활용하는 방법에는 크게 특징추출(Feature Extraction)과 미세조정(Fine Tuning)이 있다.
Feature Extraction은 학습된 모델의 Convolution Layer는 그대로 사용하고, 마지막 분류층인 Fully Connected Layer 의 가중치만을 새로 학습하는 방식이다.
Fine Tuning 방식은 사전 학습된 모델을 일부 수정하여 새로운 데이터에 맞춰 학습시키는 방식이다. 상위 몇 개의 층만 고정시키고 나머지 층들은 새로운 데이터에 맞춰 학습을 다시 하도록 설정하여 모델이 기존에 학습한 일반적인 특징들을 사용하면서도 새로운 데이터셋에 맞춰 학습할 수 있도록 한다.
전이 학습은 기존의 대규모 데이터셋에서 학습된 모델을 활용함으로써 소규모 데이터셋을 활용한 산업별 특화 모델을 구축하는 데 사용되며, 학습 시간을 단축하고 일반화 성능을 높이는 데 큰 장점이 있다.
