농업 환경 변화에 따른 작물 병해 진단 AI 경진대회

네 논문보다는 경험적인 견해 입니다.

제 경험상 성능 향상이 없던 Augmentation을 굳이 뺄 필요가 없더라구요.
(물론 터무니 없는 Augmentation이 아니라, Data에 적절한 Augmentation이다는 전제조건하.)

왜냐하면
1. 성능향상이 없긴 하지만, 추가해준다고 해서 성능이 떨어지진 않음 (단, 과도한 Augmentation인 경우는 성능이 떨어짐)
2. 그 Augmentation이 적용된 이미지가 우리에게 주어진 Data Distribution에는 없을지라도, 그 외 추가적인 실제 Data(Test Data)의 Distribution에서는 있을 수 있음.

위 두 가지 이유에서 저는 제외시키지 않았습니다.

제 개인적인 경험을 말씀드리자면,
저는 의료(병리 진단) 데이터(Whole Slide Image)로 여러가지 딥러닝 알고리즘을 적용을 해왓는데,
과거에 분류모델을 만들면서 Val Data에서 검증된 Augmentation보다 더 강하게 Augmentation 해줬던 실험 경험이 있습니다.
왜냐하면 제게 주어진 Data는 Color가 보라색, 분홍색 빛 이지만
실제 세계의 방대한 Data에는 빨간색도 있고 갈색도 있고, 어두운 색도 있고 등등.., 다양한 색상과 밝기를 갖는 Data가 있었기 때문입니다.
이렇게 방대한 Test Data의 distribution을 다 포괄하기 위해서는 ColorJitter 측면에서 조금 더 강하게 해줬어야 했습니다.
물론 Val Data에서 성능이 떨어지지 않는 정도까지만요.

당연히 제 논리가, 제 실험이 틀렸을수도 있으며 위는 한 가지 사례에 불과합니다.
Machine Learning이라는게 Data마다의 편차도 크다는 점이 있다고 생각하니
그 점 고려해주시면 감사하겠습니다!

답글 감사합니다! 
역시 다 이유가 있으신 선택이셨네요...! 많이 배웠습니다!