LSADA는 소규모 이미지 분류 문제에서 데이터 부족 문제를 해결하기 위해 제안된 새로운 데이터 증강 기법입니다. 각 이미지의 손실과 손실 감소율을 기반으로 학습 상태를 구축하여 샘플별 증강 강도를 조절합니다. 클래스 관련 영역에는 강도 조절 변환을 적용하고 클래스 무관 영역을 다양하게 생성하여 이미지 다양성을 보존하면서 클래스 의미를 유지합니다.
기존 동적 생성 데이터 증강 방법보다 평균 4.5% 성능 향상을 보였으며, 의료 이미지 데이터셋에서도 2.5% 향상된 성능을 기록했습니다. LSADA는 이미지의 클래스 관련 영역과 무관 영역을 분리하여 증강하는 방식으로 작동합니다.
LSADA는 9개의 공개 데이터셋에서 테스트되었으며, 기존 최고 성능 모델보다 우수한 결과를 보여주었습니다.