클래스 불균형 상황에서 적대적 생성 신경망 기반 생성 이미지의 효과 검증 (Validation of Generative Adversarial Network Based Generated images in Class Imbalance Situation)

서지정보

· 발행기관 : 한국정보통신학회
· 수록지 정보 : 한국정보통신학회논문지 / 28권 / 2호 / 139 ~ 145페이지
· 저자명 : 강동기, 최장훈

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.

영어초록

In recent years, leveraging deep learning models trained on image data has become prevalent for addressing various challenges, such as anomaly detection. Adequate data acquisition is crucial for effectively training these models. However, in many domains, while normal data is abundant, abnormal data with variations is sporadically produced, posing challenges for its collection. Training deep learning models with such imbalanced darasets inevitably leads to class imbalance issues. To mitigate data scarcity, data augmentation techniques like image rotation and zoom are commonly employed. Excessive use of these techniques, however, risks overfitting to the training data. This paper proposes a novel approach to address this issue by generating abnormal data through image translation using CycleGAN and anomaly image synthesis using SinGAN. The study demonstrates the positive impact of integrating generated abnormal data into the training dataset on model performance, as evidenced by comparing the performance before and after the addition of synthesized images in a classification model.

참고자료

· 없음