학습 데이터의 도메인 적응(domain adaptation)에 효과적인 데이터 보충(data augmentation) 기법 연구

Abstract

본 연구는 효과적인 객체 검출을 위한 CNN (Convolutional Neural Network) 아키텍처의 도메인 적응(domain adaptation) 시 나타날 수 있는 문제점을 해결한다. 일반적으로 특정 과업(task)에 유용한 CNN 아키텍처를 설계할 경우 학습과 성능 검증을 위해 공개된 데이터셋(open dataset)을 활용한다. 공개된 데이터셋은 주어진 과업에 따라 다수의 부류(class)를 포함하는 일반화된(generalized) 데이터 수집을 목표로 하고 있다. 이로 인해 공개된 학습 데이터는 특정 과업에 특화된 실 사례 데이터와 서로 다른 확률분포를 갖게 되고, 이로 인해 공개된 데이터셋과 실 사례에 적용 결과에 큰 성능 차이를 보이게 되고 이를 위해 다양한 도메인 적응 기법을 적용하게 된다. 본 논문에서는 객체 검출을 위한 CNN 아키텍처의 도메인 적응 문제를 해결하기 위해, 알려진 데이터 셋에서 학습된 최신 기술의 CNN 아키텍처의 학습 결과를 보완하는 데이터 보충 (data augmentation) 기법을 제안한다. 이를 해결하기 위해 실 사례 객체 검출 학습 데이터 보충을 위한 어노테이션 도구(annotation tool)을 제작하였으며, 제안된 데이터 보충 기법으로 실 사례 검출 결과가 크게 향상 되는 것을 확인할 수 있다.