객체 검출을 위한 데이터 증강 전략 학습

데이터 증강은 딥러닝 모델을 훈련하는 데 있어 중요한 구성 요소입니다. 데이터 증강이 이미지 분류에서 상당한 성능 향상을 가져왔음이 입증되었지만, 객체 검출에 대한 그 잠재력은 충분히 조사되지 않았습니다. 객체 검출을 위한 이미지 주석화의 추가 비용을 고려할 때, 데이터 증강은 이 컴퓨터 비전 작업에 더욱 중요할 수 있습니다. 본 연구에서는 데이터 증강이 객체 검출에 미치는 영향을 조사합니다. 먼저, 이미지 분류에서 차용한 데이터 증강 연산이 검출 모델의 훈련에 도움이 될 수 있음을 보여주지만, 개선 효과는 제한적임을 확인하였습니다. 따라서, 학습된 전문적인 데이터 증강 정책이 검출 모델의 일반화 성능을 어떻게 개선하는지 연구하였습니다. 특히 이러한 증강 정책은 평가 시에는 훈련된 모델에 영향을 미치지 않으며 오직 훈련 과정에서만 적용됩니다. COCO 데이터셋에서 수행된 실험 결과, 최적화된 데이터 증강 정책은 검출 정확도를 +2.3 mAP 이상 향상시키며, 단일 추론 모델로 50.7 mAP의 최고 수준의 정확도를 달성할 수 있었습니다. 또한 COCO에서 발견된 최상의 정책은 다른 검출 데이터셋과 모델에도 변경 없이 적용되어 예측 정확도를 개선시킬 수 있음을 확인하였습니다. 예를 들어, COCO로 식별된 최상의 증강 정책은 PASCAL-VOC에서 강력한 기준모델의 성능을 +2.7 mAP만큼 개선했습니다. 우리의 결과는 또한 학습된 증강 정책이 객체 검출에 있어서 최신 아키텍처 규제 방법보다 우수함을 밝혔습니다(특히 강력한 기준모델을 고려할 때). 학습된 정책으로 훈련하는 코드는 https://github.com/tensorflow/tpu/tree/master/models/official/detection 에서 온라인으로 제공되고 있습니다.