합성데이터를 얼마나 많이 넣는가보다 어떤 라벨 분포로 넣는가가 더 큰 차이를 만들었다. 유채 가지 수 세기에서 균등 합성 분포의 평균절대차이는 1.700이었고, 실제 분포 쪽으로 90% 이동한 Step 9는 0.927이었다. 실제 분포를 가우시안 평활화한 σ=3.6 조건은 0.912로 전체 최저값을 기록했다.
기초 데이터는 가지 수 1~40을 라벨로 단 실제 유채 이미지 788장이다. 400장 학습, 100장 검증, 288장 시험으로 나눴고, ImageNet 사전학습 ResNet-18을 회귀에 맞게 미세조정했다. 모든 실험은 다섯 번 반복해 홀드아웃 시험셋의 평균절대차이로 평가했다. 합성 이미지는 캘리브레이션된 L-system 유채 모델로 만들었다.
비율 스윕은 논문 표기 1:N의 30개 조건을 다뤘다. 실데이터만 쓴 기준선은 1.069이고 1:5~1:22 구간은 대체로 이 값을 밑돌았다. 가장 낮은 단일 비율은 1:7의 0.988로 기준선보다 7.6% 개선됐다. 분포 실험에서는 합성 이미지 18k 또는 36k를 실제 학습 이미지 400장과 결합했다. σ=3.6의 0.912는 실제 분포를 그대로 쓴 0.942보다 낮고 기준선 대비 14.7% 개선된 값이다.
라벨별 최소 수량을 강제로 맞춘 결과도 한 방향이 아니었다. min-10은 0.993으로 기준선보다 조금 낮았지만 분포 정합 방식에는 못 미쳤다. min-100은 1.109로 실데이터만 쓴 경우보다 나빴다. 희귀한 높은 가지 수 라벨을 과도하게 늘리면 꼬리 분포가 다시 균등해지는 효과가 생긴다는 해석이다.
| 합성데이터 전략 | 평균절대차이↓ | 비고 |
|---|---|---|
| 실데이터만 | 1.069 | 비율 실험 기준선 |
| 비율 스윕 1:7(논문 표기) | 0.988 | 비율 sweep 최저 |
| 18k·분포 Step 9 | 0.927 | 실제 분포 쪽 90% |
| 18k·Gaussian σ=3.6 | 0.912 | 전체 최저 |
| 18k·균등분포 Step 0 | 1.700 | 분포 불일치 |
| 36k·분포 Step 9 | 1.211 | 과도한 합성량 |
자료: STORIUM 정리
합성 이미지 36k 조건에서는 Step 9가 그 안에서 가장 좋았지만 평균절대차이는 1.211로 18k 조건보다 전반적으로 나빴다. 분포를 맞춰도 합성량이 지나치면 성능이 회복되지 않은 셈이다. 아미르살라 다르비슈푸르 등 세 연구자의 arXiv v1 프리프린트는 유채 가지 수 세기 한 과제의 결과이며, 다른 작물로의 일반화는 검증되지 않았다.
저작권자 © STORIUM 무단전재 및 재배포 금지
