In the recent studies of data augmentation of neural networks, the application of test time augmentation
has been studied to extract optimal transformation policies to enhance performance with minimum cost.
The policy search method with the best level of input data dependency involves training a loss predictor
network to estimate suitable transformations for each of the given input image in independent manner,
resulting in instance-level transformation extraction. In this work, we propose a method to utilize and
modify the loss prediction pipeline to further improve the performance with the cyclic search for suitable
transformations and the use of the entropy weight method. The cyclic usage of the loss predictor allows
refining each input image with multiple transformations with a more flexible transformation magnitude.
For cases where multiple augmentations are generated, we implement the entropy weight method to
reflect the data uncertainty of each augmentation to force the final result to focus on augmentations with
low uncertainty. The experimental result shows convincing qualitative outcome and robust performance
for the corrupted conditions of data.
인공지능 신경망의 데이터 증강 기법과 관련된 최근 연구에서는 최소한의 비용으로 성능을 향상시키기 위한
최적의 테스트 데이터 변환 정책을 추출하기 위해 테스트 시간의 데이터 증강 기법들의 연구가 진행되고
있다. 현재의 입력 데이터 종속성이 가장 높은 정책 검색 방법은 손실 예측기 네트워크를 훈련하여 주어진
입력 이미지 각각에 대하여 적절한 변환을 독립적으로 추정하고, 각 객체 수준의 종속성을 갖는 변환 추출을
수행한다. 본 연구에서는 위와 같은 손실 예측 파이프라인을 응용하여 적절한 변환에 대한 순환적인 탐색
과 엔트로피 가중치 방법을 사용하여 성능을 더욱 향상하는 방법을 제안하고자 한다. 테스트 시간때에 각
객체에 대하여 다수의 데이터 증강을 생성하는 경우, 최종적인 결과를 추출하는 과정에서 불확실성이 낮은
증강된 데이터에 초점을 맞추도록 데이터 불확실성을 반영하는 엔트로피 가중치 방법을 구현한다. 실험
결과는 손상된 이미지 데이터 조건에 대하여 설득력있는 정성적 결과와 강건성 개선의 성능을 보인다.
