1. 이미지 전처리

• 이미지를 학습에 사용하기 전 간단한 전처리를 거침

1) tflearn 이미지 전처리

• 필요한 함수들은 tflearn.data_preprocessing의 ImageProcessing 클래스로 제공
• 대표적인 함수로 add_featurewise_zero_center() / add_featurewise_stdnorm()
  • zero_center는 샘플 값에서 패러미터로 주어진 mean 을 빼서 값을 이동
    • mean을 지정하지 않을 시 모든 샘플의 평균으로
  • stdnorm은 표준 편차 정규화 기능
    • 인수로 주어진 std 패러미터로 스케일링
    • 지정하지 않을 시 전체 샘플의 표준편차
• 입력층 생성시 data_preprocessing 값으로 ImageProcessing 객체를 지정

# 전처리용 객체 생성
img_prep = ImagePreprocessing()

# 객체에 사용할 기능 등록
img_prep.add_featurewise_zero_center()
img_prep.add_featurewise_stdnorm()

# 입력층 구성
network = tflearn.input_data(..., data_preprocessing = img_prep)
	# input_data의 패러미터로 위에서 생성한 전처리용 객체 지정

2. 이미지 개수 확장

• 판별 클래스의 개수가 많아지면 클래스 당 학습 데이터가 적을 가능성 높음

  → 과적합 가능성 증가

• 이미지의 개수를 늘리면 클래스 당 학습 데이터가 많아지므로 과적합을 방지할 수 있음

1) tflearn 이미지 개수 확장

• ImageAugmentation 클래스를 통해 다양한 함수 제공
• 입력층 생성 시 data_augmentation 패러미터의 값으로 해당 객체를 지정
• 다양한 함수 들 존재
  • add_random_blur(sigma_max=5.0) - 0~sigma_max 사이의 랜덤값을 갖는 가우시안 필터로 이미지 블러링
  • add_random_crop(crop_shape, padding=None) - crop_shape 크기로 이미지 자름, padding 지정시 해당 수만큼 0 패딩
  • add_random_flip_leftright(self) - 좌우 반전
  • add_random_flip_updown(self) - 상하 반전
  • add_random_rotation(max_angle = 20.0) - -max_angle ~ max_angle 사이의 각도로 랜덤 회전

# 데이터 확장 용 객체 생성
img_aug = ImageAugmentation()

# 객체에 사용할 기능 등록
img_aug.add_random_blur(sigma_max=5.0)

# 입력층 생성
network = tflearn.input_data(..., data_augmentation = img_aug)
	# data_augmentation 패러미터로 위에서 생성한 확장용 객체 지정

# 전처리와 구현과정 유사함