이미지 어그멘테이션(Image Augmentation) 이란?
원본 이미지에 인위적인 변화를 주어 새로운 훈련 데이터를 대량으로 확보하는 방법이다.
쉽게 설명하면 이미지를 상하좌우로 뒤집거나 자르는 방식으로 새로운 이미지 데이터를 확보하는 것이다.
이는 모델 성능을 저해하는 과접합(overfiting) 문제를 해결할 수 있다.
> 과접합(overfiting) : 훈련에 사용되는 이미지에 과도하게 학습되어서 새로운 이미지를 제대로 인식하지 못하는 현상
이미지 어그멘테이션(Image Augmentation)의 효과
이미지 어그멘테이션 기법을 적용하면 메모리 저장 공간을 차지하지 않고, 적은 수의 이미지 데이터로 매우 다양한 훈련 데이터를 사용하는 효과가 있다.
이미지 어그멘테이션(Image Augmentation)의 한계점
훈련 과정에서 즉시 이미지 프로세싱이 이루어지기 때문에 훈련 시간이 증가하게 된다.
이미지 어그멘테이션(Image Augmentation)의 과정
1. 데이터 전처리
2. 정확도와 손실 확인
훈련 데이터와 테스트 데이터에 대한 정확도, 손실 값이 일치하는 경향을 보이고,
과적합 (Overfitting) 현상이 두드러지게 감소했음을 확인 할 수 있다.
또한 이미지 어그멘테이션 과정에서 이미지 변환의 임의성 (Randomness)이 반영되어
최종 정확도는 감소했음을 알 수 있다.
참고자료
https://codetorial.net/tensorflow/image_augmentation.html
13. 이미지 어그멘테이션의 효과 - Codetorial
13. 이미지 어그멘테이션의 효과 적은 수의 이미지 데이터를 가지고 Neural Network를 훈련할 때 과적합 (overfitting) 문제가 발생할 수 있습니다. 과적합이란 훈련에 사용되는 이미지에 과도하게 학습
codetorial.net
https://www.kakaobrain.com/blog/64
1.데이터 어그먼테이션 연구 동향을 소개합니다. - 카카오브레인
딥러닝 모델을 충분히 훈련하려면 많은 데이터를 확보하는 기법 중 하나로 어그먼테이션(Augmentation)이 소개되고 있습니다. 최근에는 구글이 데이터에 최적화된 어그먼테이션 기법을 자동으로
www.kakaobrain.com
'Study > AI' 카테고리의 다른 글
| [머신러닝/딥러닝] Language Modeling 2(언어 모델) (0) | 2021.10.11 |
|---|---|
| [머신러닝/딥러닝] Language Modeling 1 (언어모델) (0) | 2021.10.11 |
| [머신러닝/딥러닝] GAN 요약 정리 (0) | 2021.07.13 |
| [머신러닝/딥러닝] 풀링 계층 (Pooling Layer , CNN) (0) | 2021.05.17 |
| [머신러닝/딥러닝] 합성곱 신경망(Convolutional Neural Network , CNN) (0) | 2021.05.17 |
