For the application of deep learning models in real-world scenarios, it is crucial to consider their robustness across a wide range of domains. Data augmentation aims to improve the robustness of a model to the domain. However, most of these data augmentation techniques have been studied in the field of image classification. When these approaches are applied to object detection, the semantic features of some objects can be damaged, which can lead to imprecise object localization and misclassification. In this paper, an object-aware data augmentation method, which is called OA-Mix, is proposed to address these problems. The method generates multi-domain data using a multi-level transformation and an object-aware mixing strategy. OA-Mix outperforms state-of-the-art methods on the benchmark to evaluate robustness in corrupted domains.
현실 세계의 시나리오에서 딥러닝 모델을 응용하기 위해서는, 광범위한 도메인에서의 모델의 견고성을 고려하는 것이 매우 중요하다. 데이터 증강은 도메인에 대한 모델의 견고성을 향상시키는 것을 목표로 한다. 그러나 대부분의 이러한 데이터 증강 기법들은 주로 이미지 분류 분야에서 연구되어왔다. 이러한 기법들을 객체 탐지에 직접적으로 적용하게되면 일부 객체의 의미론적 특징이 손상될 수 있으며, 이로 인해 부정확한 객체 위치 파악 및 오분류가 발생할 수 있다. 본 논문에서는 이러한 문제를 해결하기 위해 OA-Mix라고 불리는 객체의 특성을 고려한 데이터 증강 기법을 제안한다. 본 방법은 다중 레벨 변형과 객체 인식 혼합 전략을 사용하여 다중 도메인을 생성한다. 이를 통해 OA-Mix는 손상된 도메인에서의 견고성을 평가하기 위한 벤치마크에서 최첨단 작업을 능가했다.
