□ 기존 기술의 문제점

- 다중 이미지 분류 모델을 학습할 때 데이터의 불균형이 항상 발생하였음. 특정 데이터의 분포가 다른 데이터에 비해 과도하게 편향된 경우, 학습된 모델은 시험 데이터에 대해서 편향된 데이터에 대한 정확도는 높지만, 다른 데이터는 낮은 정확도를 보이게 됨

- 이를 해결하기 위해 모델을 일반화하기 위한 연구가 진행되며, 대표적으로 Dropout, Batch Normalization, 데이터 증강 기법을 통해 편향성을 줄이고 있음.

1135402028. :모델이 학습되는 동안 무작위로 특정 계층의 신경을 비활성화하는 기법

• 증강: 입력 영상에 확대, 축소, 회전, 수평 반전, 수직 반전 등의 과정을 거친 후 모델 학습

-> 그러나 이러한 방법으로도 해결되지 않는 경우가 다수임.

□ 기술의 특징

• 수가 적은 영상에 대해서 주파수 도메인에서의 필터링 전처리를 통해 새로운 영상을 얻는 방법을 제안. 또한 다양한 실험을 통해서 주어진 데이터의 분류 정확도 성능이 가장 잘 오르도록 하는 필터를 찾음. 주파수 공간에서 버터워스(ButterWorth) 차단 필터를 특정 이미지에 적용하여 새로운 이미지를 만드는 방법 및 장치를 제공

• 성능향상을 위한 주파수 도메인에서의 데이터 증강 방법

• (110) : 데이터의 편향성을 제거하기 위해 푸리에 변환을 적용하여 주파수 도메인에서의 필터링을 수행
• (120) : 필터링된 영상을 이용하여 새로운 영상을 생성. 주파수 도메인에서 필터링된 영상을 공간 도메인으로 다시 바꾸기 위해 2차 역 이산 푸리에 변환 적용하고, 공간 도메인으로 변환된 영상의 중심을 이동
• (130) : 생성된 영상에 기초하여 학습을 수행

• 영상

• (210)에 2차원 이산 푸리에 변환 적용-> 변환된 영상을 중심 이동-> 주파수 도메인에서 변환된 영상(220)과 필터(230)에 대해 화소 별 곱셈을 수행-> 공간 도메인으로 다시 바꾸기 위해 2차 역 이산 푸리에 변환을 적용-> 공간 도메인으로 돌아온 영상(240)에 중심을 이동
• : width=32, range=40, n=10인 버터워스(ButterWorth) 차단 필터를 적용하여 필터링된 영상

□ 기술의 효과

- 데이터의 수가 적은 영상에 대해 주파수 도메인에서의 필터링 전처리를 통해 새로운 영상을 얻음

- 또한, 이를 통해 기존 데이터의 불균형 문제를 해결하여 과적합을 방지할 수 있음