Data Augmentation

Udemy The Complete Neural Network Bootcamp 참고

 
기존 데이터를 인위적으로 변형해 새로운 데이터를 만들어내는 기법

• 데이터의 다양성을 높여 over-fitting 방지하고 성능 향상시킴
• 활용 예시: vision-based self-supervised learning, label 없이도 image data를 학습할 수 있도록 설계된 deep learning 기법으로, data augmentation을 통해 변형된 이미지가 변형 전 이미지와 같음을 학습하곤 함

방법

• Center Crop
• Five Crop: crops the given image into four corners and the central crop
• Color Jitter: randomly changes 밝기, saturation 등 properties of the given image
• Gaussian Blur: applies a gaussian filter 뿌옇게
• Random Rotation
• Random Crop
• Random Resized Crop: crop한 후에 resize it to the original image size
• Random Equalization: randomly performs histogram equalization, 모든 pixels 거의 same value 갖도록
• Auto Augment: 최적의 augmentation 조합을 자동으로 찾아내 성능을 극대화하지만, 계산 비용이 많이 든다는 단점 있음
• Random Augment: 다양한 augmentation 무작위로 sequentially 적용, no need to separately search for the optimal transformation
• Random Horizontal Flip
• Cut Out: randomly masking out square regions of input during training
• Mix Up: 두 개 이상의 학습 샘플을 선형적으로 결합하여 새로운 학습 데이터를 생성 https://github.com/jineoni/Udemy-neural-network-bootcamp
• Cut Mix: 한 이미지의 일부를 잘라내어 다른 이미지에 붙여넣는 방식