이 논문은 반(半)합성 이미지 데이터를 증강하는 것이 인체(사람) 검출 알고리즘의 성능을 어떻게 향상시키는지에 대한 연구를 제시한다. 객체 검출 분야에서 고품질 데이터 세트를 확보하는 일은 딥러닝 알고리즘을 학습하는 데 있어 가장 중요한 역할을 한다. 최근에는 실제 이미지 데이터의 획득이 시간 소모적이고 비용이 많이 들어, 합성 데이터를 활용한 연구가 진행되어 왔다. 합성 데이터는 대량의 데이터를 생성할 수 있고 이를 정확하게 라벨링할 수 있다는 장점이 있다. 그러나 인체 검출에서 합성 데이터의 유용성은 아직 입증되지 않았다. 따라서 본 연구에서는 가장 널리 사용되는 객체 검출 알고리즘인 You Only Look Once (YOLO)를 사용하여, 합성 데이터 증강이 인체 검출 성능에 미치는 영향을 실험적으로 분석하였다. 그 결과 Penn-Fudan 데이터 세트를 사용하여 YOLO를 학습했을 때, 합성 데이터로 증강된 데이터 세트로 학습된 YOLO 네트워크 모델은 Precision-Recall Curve 및 F1-Confidence Curve의 관점에서 높은 성능 결과를 제공함이 확인되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.