이미지 기반 AI 모델의 품질 고도화를 위한 이미지 증강 및 테스트 방법의 융복합 연구 (A Convergence Study on the Image Augmentation and Validation Method for Quality Improvement of Image-Based AI Model)

서지정보

· 발행기관 : 한국전시산업융합연구원
· 수록지 정보 : 한국과학예술융합학회 / 41권 / 4호 / 205 ~ 215페이지
· 저자명 : 서정민, 이우진

초록

본 연구는 이미지 기반 인공지능 모델의 품질을 검증하기 위해 이미지 특징별로 테스트 셋을 구성하기 어려운 점을 해소하기 위해서 시작되었다. 선행 연구에서는 인공지능 모델을 학습하는데 많은 양의 라벨링 데이터가 필요하여 활용에 어려움이 있었다. 본 연구의 목적은 수작업 분류나 라벨링을 하지 않고도 데이터 셋을 편향없이 구성하여 군집별로 테스트하고 인공지능 모델의 성능을 향상시키는 것이다. 따라서 본 논문은 가상 착의 인공지능 모델DC-VTON을 대상으로 두 가지 실험을 수행하고 결과를 비교하였다. 연구 결과 및 내용은 다음과 같다. 첫째, 두 개의 군집화 방법으로 테스트 셋을 각 5개의 군집으로 나누고 모델을 테스트하였다. 두 방법에서 군집들의 모델 품질 지표 SSIM 값의 편차를 비교하였다. 합성곱신경망 기반 군집화 방법의 편차가 픽셀 값 기반 군집화 방법의 편차보다 68% 높아서 군집별 성능 차이가더 발생하는 결과를 보였다. 둘째, 모델의 품질 성능 지수 EV가 목표 값에 도달하도록 재학습 데이터를 군집별로 추가하는 두 가지 실험을 하였다. 성능이 낮았던 군집들의 SSIM 평균을 재학습 이후와 비교한 결과 군집별 차등 추가 방법은 3.2% 높아졌고 군집별 균등 추가 방법은 0.64% 높아졌다. 품질이 낮은 군집은 학습데이터를 보완하면 성능이 향상되는 결과를 보였다.
이러한 연구 결과를 바탕으로 이미지 특징별 군집화를 통해 테스트 셋을 정교화하고, 군집별 테스트 결과에 따라 재학습 데이터를 보강함으로써 이미지 기반의 인공지능 모델의 품질을 높일 수 있을 것으로기대한다.

영어초록

This study was initiated to solve the difficulty of constructing a test set without bias for each image feature to verify the quality of an image-based artificial intelligence model. In previous studies, it was difficult to use because a large amount of labeling data was required for model learning. The purpose of this study is to improve the performance of artificial intelligence models by organizing learning and test datasets without bias and testing them by cluster without manual classification or labeling. Two experiments were conducted on the artificial intelligence model DC-VTON of the virtual try-on and the results were compared. First, the test set was divided into five clusters each using two clustering methods and the model was tested. In the two methods, the deviation of the model quality indicator SSIM values of the clusters was compared. The deviation of convolutional neural network-based clustering was 0.022 larger than that of pixel value-based clustering, resulting in more differences in performance by cluster. Second, two experiments were conducted to add re-learning data for each cluster to reach the target value of the model's quality performance index. Comparing the SSIM average of clusters that had low performance with after re-learning, the differential addition method by cluster increased by 3.2% and the equal addition method by cluster increased by 0.64%. In clusters with low quality, complementing the learning data resulted in improved performance improvement. Based on the results of these studies, it is expected that the quality of image-based artificial intelligence models can be improved by clustering images, which are unstructured data, according to characteristics, to refine test sets and enhance cluster-specific test results.

참고자료

· 없음