Oxford Flowers는 미세한 시각적 분류를 위한 벤치마크 이미지 데이터셋으로, 옥스퍼드 대학교의 Visual Geometry Group에서 개발되었다. 이 데이터셋은 영국에서 흔히 볼 수 있는 102개 꽃 범주의 8,189개 이미지를 포함한다. 각 범주는 40~258개의 이미지로 구성되며, 이미지는 크기, 자세, 조명 조건이 다양하다. 이 데이터셋은 2008년 Maria-Elena Nilsback과 Andrew Zisserman이 소개했으며, 더 작은 선행 버전인 17개 범주의 Oxford Flower Dataset도 함께 제공했다.
Oxford Flowers의 주요 목적은 기본 수준 범주 내에서 시각적으로 유사한 하위 범주를 구별하는 것을 목표로 하는 미세한 이미지 분류 연구를 지원하는 것이다. ImageNet과 같은 일반 객체 인식 데이터셋과 달리 Oxford Flowers는 색상, 모양, 질감의 미묘한 차이에 초점을 맞춘다. 이 데이터셋은 각 꽃에 대한 픽셀 수준 분할 마스크를 포함하여 분류 및 분할 작업 모두에서 연구를 가능하게 한다. 이미지는 다양한 사진 웹사이트에서 수집되었으며 통제된 조건에서 촬영되지 않아 현실성과 난이도를 더한다.
데이터셋 구조
데이터셋은 훈련, 검증, 테스트의 세 가지 사전 정의된 파티션으로 나뉜다. 훈련 세트는 1,020개 이미지(클래스당 10개), 검증 세트는 1,020개 이미지(클래스당 10개), 테스트 세트는 6,149개 이미지(나머지)를 포함한다. 이 고정 분할은 서로 다른 모델 간의 공정한 비교를 위해 일반적으로 사용된다. 각 이미지는 1~102의 레이블과 연결되며, 분할 마스크는 이진 이미지로 제공된다. 데이터셋에는 또한 블루벨, 앵초, 설강화와 같은 영국 흔한 야생화에 해당하는 클래스 이름을 나열하는 레이블 세트와 텍스트 파일이 포함된다.
연구 영향
Oxford Flowers는 출시 이후 컴퓨터 비전의 표준 벤치마크였다. 색상 히스토그램 및 형태 설명자와 같은 수작업 특징 방법부터 현대 머신 러닝 모델에 이르기까지 다양한 접근 방식을 평가하는 데 사용되었다. 특히 부분 기반 모델과 주의 메커니즘을 포함한 미세한 인식 기술 개발에 중요한 역할을 했다. 이 데이터셋은 또한 데이터 증강, 전이 학습, 퓨샷 학습 연구에도 사용되었는데, 클래스당 훈련 예제 수가 제한적이어서 일반화에 어려움이 있기 때문이다.
주목할 만한 방법과 결과
Oxford Flowers에 대한 초기 연구는 수작업 특징을 사용한 서포트 벡터 머신으로 약 60-70%의 분류 정확도를 달성했다. 합성곱 신경망(CNN)의 도입은 성능을 크게 향상시켰다. 예를 들어, 미세 조정된 ResNet 모델은 테스트 세트에서 95% 이상의 정확도를 달성할 수 있다. 이 데이터셋은 또한 주의 메커니즘과 트랜스포머 기반 아키텍처를 벤치마킹하는 데 사용되었으며, 최첨단 모델은 거의 완벽한 정확도에 도달했다. 그러나 현대 기준에 비해 데이터셋 크기가 작기 때문에 CIFAR-100이나 ImageNet과 같은 더 큰 데이터셋과 함께 결과를 보고하는 연구자들이 주로 사용하는 보조 벤치마크로 자주 활용된다.
확장 및 변형
원래 102개 범주 데이터셋은 여러 확장을 영감을 주었다. Oxford Flower Dataset(17개 범주)은 빠른 프로토타이핑에 사용되는 더 작은 버전이다. 또한 이 데이터셋은 여러 다양한 데이터셋에서 모델을 평가하는 Visual Decathlon 챌린지와 같은 더 큰 벤치마크에 통합되었다. 일부 연구자들은 합성 변형을 만들거나 데이터 증강 기법을 적용하여 훈련 세트의 유효 크기를 늘리기도 했다. 분할 마스크는 조건부 이미지 합성과 같은 이미지 분할 및 생성 모델 연구에 사용되었다.
한계
인기가 높음에도 불구하고 Oxford Flowers에는 한계가 있다. 이미지는 상대적으로 저해상도(최대 크기 약 500픽셀)로, 실제 고해상도 시나리오를 반영하지 못할 수 있다. 데이터셋은 또한 영국 식물상에 편향되어 있어 다른 지리적 지역에 대한 적용 가능성이 제한된다. 또한 고정된 훈련/검증/테스트 분할은 편리하지만, 모델이 검증 세트에서 반복적으로 튜닝되면 과적합으로 이어질 수 있다. 2020년대 중반 기준으로 이 데이터셋은 현대 대규모 벤치마크에 비해 상대적으로 작은 것으로 간주되며, 그 역할은 주요 과제에서 미세한 분류 알고리즘의 건전성 검사로 전환되었다.
같이 보기
- 컴퓨터 비전
- image-classification
- fine-grained-recognition
- visual-geometry-group