Core Concepts
제한된 데이터 환경에서 모델의 일반화 능력을 향상시키기 위해 부드러운 정규화와 스펙트로그램 기반 데이터 증강 기법을 제안하였다.
Abstract
이 연구는 수중 음향 표적 인식 문제를 다루며, 제한된 데이터 환경에서 모델의 일반화 능력을 향상시키기 위한 두 가지 전략을 제안한다.
첫째, 부드러운 정규화 기법을 제안한다. 이 기법은 모의 신호를 직접적인 손실 계산에 포함시키지 않고 정규화 항에만 활용하여, 모의 신호의 품질이 낮더라도 모델의 성능 저하 위험을 줄인다.
둘째, 스펙트로그램 기반 데이터 증강 기법인 지역 마스킹 및 복사(LMR)를 제안한다. LMR은 서로 다른 클래스의 스펙트로그램 일부를 혼합하여 새로운 입력 샘플을 생성함으로써, 클래스 간 관계를 학습할 수 있도록 한다.
실험 결과, 제안한 두 가지 전략은 세 가지 수중 선박 소음 데이터셋에서 모델의 일반화 능력을 크게 향상시켰다. 특히 부드러운 정규화는 모의 신호의 품질이 낮은 경우에도 안정적인 성능 향상을 보였고, LMR은 데이터가 부족한 환경에서 두드러진 성능 향상을 달성했다.
Stats
제한된 데이터 환경에서 모델의 일반화 능력이 저하되는 문제가 있다.
기존 데이터 증강 기법은 모의 신호의 품질에 크게 의존하여 성능 저하 위험이 있다.
Quotes
"제한된 데이터는 복잡한 모델링을 지원하는 능력을 저해하여 인식 시스템의 발전을 저해한다."
"모의 신호가 실제 수중 환경과 크게 벗어나면 인식 모델의 성능이 오히려 저하될 수 있다."