클래스 불균형 상황에서 적대적 생성 신경망 기반 생성 이미지의 효과 검증

초록

이미지 데이터를 통해 딥러닝 모델을 학습시켜 이상 분류와 같은 다양한 문제에 활용하는 사례가 많아지고 있다. 딥러닝 모델을 학습을 위해 충분한 데이터 확보가 필수적이다. 하지만 대부분 도메인에서 정상 데이터는 많이 생산되지만 변형이 존재하는 이상 데이터는 간헐적으로 생산되어 확보가 어렵다. 해당 데이터로 모델을 훈련 시킨다면 class imbalance 문제가 발생한다. 이와 같이 데이터가 부족할 경우 회전, 확대와 같은 data augmentation 기법을 사용하는데 과도하게 사용할 경우 training data에 과적합 될 우려가 있다. 따라서 이 논문에서는 CycleGAN을 통해 정상 데이터를 비정상 데이터로 바꾸는 image translation 방법과 SinGAN을 통해 한 장의 이상 데이터를 입력받아 이와 유사한 이상 이미지를 생성하는 방법으로 이상 데이터를 생성하였고 이후 classification 모델에서 training dataset에 생성된 이미지를 추가하기 전, 후의 성능을 비교해 해당 방법이 모델 성능 향상에 긍정적인 영향이 있음을 입증한다.

키워드