영상 분류는 영상에 존재하는 특징을 정확하게 식별함으로써 영상 데이터를 이 해하고 해당 속성에 따라 특정 클래스로 분류하는 것을 목적으로 하며, 학습 데이 터가 많을수록 높은 정확도를 낼 수 있기 때문에 한정된 데이터에서 좋은 결과를 이끌어 내기 위해서는 데이터 증강이 필요하다. 효율적인 영상 학습을 위하여 데이터 증강을 이용한 다양한 기법들이 연구되고 있으며, 그 중 SnapMix는 클래스 활성화 지도를 통한 의미정보 지도를 활용하여 기존 데이터 증강 기법에서 한계로 지적된 주요 정보 손실 문제를 해결함으로써 영 상 분류의 정확도를 향상시킨 기법이다. 그러나 SnapMix는 영상에 노이즈가 포함 되거나 화질이 좋지 않은 경우, 또는 여러 개체가 중첩되어 있거나 배경이 어수선 하여 개체 식별이 어려운 경우 등에는 영상 분류에 한계가 존재할 수 있다. 본 학위 논문은 이러한 문제를 해결하기 위하여 한정된 데이터에서 더욱 다양 한 의미 있는 학습 데이터를 증강하여 모델의 일반화 능력을 향상시킬 수 있는 SnapTI-Mix를 제안한다. 본 제안 기법은 영상 혼합 시 이미지는 일부 변형하여 혼 합하나 의미정보지도는 변형되지 않은 보존된 형태로 혼합시키는 기법으로, 한정된 데이터에서 다양한 데이터를 학습할 수 있기 때문에 영상 분류 정확도가 향상될 수 있다. 본 제안 기법에 대한 비교 실험 결과, CUB dataset에서는 SnapMix 대비 영 상 분류 정확도가 최대 0.5299% 증가한 것을 확인하였으며 Aircraft dataset에서는 SnapMix 대비 영상 분류 정확도가 최대 0.4494% 증가한 것을 확인하였다. 이러한 개선된 데이터 증강 결과는 영상 분류 시 분석 정확도를 높이는데 활용 되거나, 오류 탐지의 판정 정확도를 높이는데 활용될 수 있을 것으로 기대된다.
