AI 플레이그라운드: 딥 러닝을 위한 언리얼 엔진 기반 데이터 아블레이션 도구

머신 러닝은 데이터를 필요로 하지만, 실제 세계의 데이터를 획득하고 라벨링하는 것은 도전적이고 비용이 많이 들며 시간이 소요되는 작업입니다. 더욱 중요한 점은, 데이터 획득 후 실제 데이터를 변경하는 것이 거의 불가능하다는 것입니다(예: 방의 조명을 변경). 이는 특정 데이터 속성이 성능에 어떻게 영향을 미치는지를 측정하는 것이 매우 어렵게 만듭니다. 본 논문에서는 AI 플레이그라운드(AIP), 오픈 소스이며 언리얼 엔진 기반의 가상 이미지 데이터 생성 및 라벨링 도구를 소개합니다. AIP를 사용하면 다른 조건(예: 해상도, 조명 등)과 다른 지면 진실(예: 깊이 값 또는 표면 법선 값) 하에서 동일한 이미지를 쉽게 캡처할 수 있습니다. AIP는 쉽게 확장 가능하며 코드 유무와 상관없이 사용할 수 있습니다. 제안된 도구의 유효성을 검증하기 위해, 우리는 동일하지만 조명과 해상도 조건이 다른 여덟 개의 데이터셋을 생성했습니다. 그런 다음 딥 뉴럴 네트워크를 훈련시켜 (1) 깊이 값을, (2) 표면 법선 값을, (3) 객체 라벨을 예측하도록 하였으며 각 네트워크의 내부 및 교차 데이터셋 성능을 평가했습니다. 그 결과, 설정에 대한 민감도가 문제에 따라 다르다는 것을 확인하였습니다. 분할 모델은 해상도에 매우 민감하다는 다른 연구들의 결과를 재확인하였지만, 동시에 조명에도 마찬가지로 민감하다는 것을 발견하였습니다. 반면에 깊이 및 법선 추정 모델은 해상도나 조명보다 이미지 구조에 더 민감한 것으로 보입니다. 마지막으로, 우리는 훈련된 깊이 추정 네트워크를 두 개의 실제 세계 데이터셋에서 테스트하여 실제 데이터만으로 훈련한 결과와 유사한 성능을 얻었습니다. 이는 우리의 가상 환경이 실제 세계 작업에 충분히 현실적임을 확인하였습니다.