2022.07.13 Wed

[실습]-Google Colab
VGG-11 모델 구현

Data Augmentation and Transfer Learning

데이터 증강기법(Data Augmentation)

AR(Augmented Reality)-증강현실
딥러닝에서의 데이터 증강?
-> 압도적인 양의 데이터를 사용, 적은 수의 데이터로 딥러닝 모델을 학습시키고자 하면 데이터에 비해 모델의 표현력이 너무 좋기 때문에 과적합(overfitting) 문제에 취약해지기도 한다.
-> 이때 적은 수의 데이터를 강제로 늘려주는 기법이 바로 데이터 증강(Data Augmentation)이다!

• 기본적인 이미지 데이터 증강
  회전(rotation), 크기 변환(scaling), 밀림(shearing), 상하좌우 대칭(flip), 이동(translation), 잘라내기(crop-일부분을 잘라내는것을 패치라고 한다) 등 같은 이미지를 다르게 봐서 데이터 증강

• 고급 이미지 데이터 증강 기법

1. Cutout : 주어진 각 이미지에서 임의의 영역을 아예 제거하는 기법, 아예 데이터를 없애버린다는 단점
2. Mixup : 임의의 두 데이터를 적절한 비율로 섞는 기법, 데이터가 부자연스럽다는 단점
3. Cutmix : Cutout과 Mixup을 혼합한 기법, Cutout을 통해 선택된 A 이미지의 일부 영역을 B 이미지의 또다른 영역에 덮어씌우는 방식, Cutout으로 사라진 영역에도 정보를 담고있는 픽셀을 추가할 수 있게 되므로 정보 손실이 최소화 된다는 장점

전이학습(Transfer Learning)

학습에 필요한 데이터의 양이 충분하지 않아도 사전에 훈련된 딥러닝 모델로 데이터의 일부만 재학습시켜 원하는 목적에 필요한 모델을 만들어내는 기술이다
-source domain
-target domain

• 전이학습의 3가지 전략

1. 전체 모델 재훈련
2. 일부 layer를 선택하여 학습
3. 마지막 classifier만 학습(Fine Tuning-미세 조정, Fully-connected layer만 교체하여 Fine tuning 하는 경우가 굉장히 흔함)

[실습]
Data Augmentation

[실습]
https://colab.research.google.com/drive/1J9oF9yzTF4XVdF1A7UvjTdG9tv63_1Bf?usp=sharing