# \#imagenet-plus-plus

**URL:** https://discuss.pytorch.kr/tag/imagenet-plus-plus/3974.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [SELECT: 이미지 인식을 위한 대규모 데이터 큐레이션 전략 벤치마크에 대한 연구](https://discuss.pytorch.kr/t/select/5438)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [11월 7, 2024, 3:15오전 UTC](https://discuss.pytorch.kr/t/select/5438 "2024-11-07T03:15:10Z")

</div>

연구 개요: SELECT와 ImageNet++ 소개 SELECT 소개 SELECT 프로젝트는 이미지 분류를 위한 다양한 데이터 큐레이션 전략을 체계적으로 비교하고 평가하기 위해 고안된 대규모 벤치마크입니다. 이 연구는 기존 데이터셋 ImageNet을 확장한 ImageNet++ 데이터셋을 활용해 여러 가지 큐레이션 전략의 성능을 평가하고, 데이터 수집과 구성 방법이 모델의 학습 효율성에 미치는 영향을 다각도로 분석합니다. SELECT에서 측정하려고 하는 지표들은 다음과 같습니다: 기본 정확도(Base Accuracy): ImageNet 검증 데이터셋에서의 성능을 측정합니다. 분포 외 데이터(OOD, Out-of-Distribution) 견고성(Robustness): 모델이 새로운 환경에서 얼마나 잘 적응하는지 평가합니다. 전이 학습 성능: 사전 학습된 모델이 다른 다운스트림 태스크에 얼마나 잘 적응하는지 평가합니다. 자기 지도 학습 유용성: 자가 지도 학습에 데이터셋이 얼마나 효과적인지 측정합니다. 또한, 클래스 불균형 및 이미지 품질 같은 데이터셋의 특성을 분석하는 지표들이 추가적으로 제공됩니다. ImageNet++ 소개 \*\*ImageNet++\*\*는 SELECT 벤치마크의 주요 데이터셋으로, ImageNet-1K의 다양한 변형을 포함하는 대규모 데이터셋입니다. ImageNet++는 서로 다른 큐레이션 전략으로 수집된 5개의 데이터셋 변형(shift)을 포함합니다. OI1000: OpenImages 데이터셋에서 군중 소싱으로 라벨링된 부분 LA1000 (img2img): LAION 데이터셋에서 임베딩 기반 검색으로 선정된 이미지 LA1000 (txt2img): LAION 데이터셋에서 텍스트 기반 검색으로 선정된 이미지 SD1000 (img2img): Stable Diffusion 모델을 통해 생성된 이미지 SD1000 (txt2img): 클래스 이름을 프롬프트로 사용해 생성된 이미지 데이터 큐레이션 전략과 주요 결과 …