Key points are not available for this paper at this time.
딥 러닝은 많은 컴퓨터 비전 작업에서 놀라운 결과를 보여주었습니다. 딥 뉴럴 네트워크는 일반적으로 과적합을 피하기 위해 대량의 훈련 데이터에 의존합니다. 그러나 실제 응용 프로그램에 대한 레이블이 있는 데이터는 제한적일 수 있습니다. 훈련 데이터의 양과 다양성을 개선함으로써 데이터 증강은 이미지 데이터로 딥 러닝 모델 훈련의 필수적인 부분이 되었습니다. 훈련 데이터의 충분성과 다양성을 개선하기 위한 효과적인 방법으로, 데이터 증강은 이미지 데이터에서 딥 러닝 모델의 성공적인 적용에 필요한 부분이 되었습니다. 본 논문에서는 다양한 이미지 데이터 증강 방법을 체계적으로 검토합니다. 우리는 검토한 방법들의 분류 체계를 제안하고, 이러한 방법들의 강점과 한계를 제시합니다. 또한 우리는 시맨틱 분할, 이미지 분류 및 객체 탐지를 포함한 세 가지 전형적인 컴퓨터 비전 작업에 다양한 데이터 증강 방법으로 광범위한 실험을 수행합니다. 마지막으로, 데이터 증강이 직면한 현재의 도전 과제와 유용한 연구 지침을 제시하기 위한 미래 연구 방향에 대해 논의합니다.
Yang et al. (화요일)이 이 질문을 연구했습니다.