Ground truth
Ground Truth 는 추론에 의해 제공되는 정보와 달리 직접 관찰 및 측정에 의해 제공되는 실제 또는 사실로 알려진 정보입니다.
아래의 설명 중 더 이해 가는 설명으로 해석하면 된다.
- Ground truth란 AI 모델을 훈련 및 테스트하는 데 사용되는 라벨링 이후의 데이터들 이다.
- Ground truth란 AI 모델 출력값을 훈련 및 테스트하는 데 사용되는 실제 환경의 데이터를 지칭하는 용어입니다.
- 어떤 (계산된, 추정된, 예측된)값이 얼마나 정확한지 평가하고자 할 때, 그 비교 기준이 되는 실제 참(True)값을 지칭하는 용어.
- In machine learning, the term "ground truth" refers to the accuracy of the training set's classification for supervised learning techniques.
어원
Oxford English Dictionary ( sv "ground truth")는 1833년에 출판된 Henry Ellison의 시 "The Siberian Exile's Tale"에서 "근본적 진실"이라는 의미로 "Groundtruth"라는 단어의 사용을 기록하고 있습니다.
통계 및 기계 학습
"근거 진실"(Ground Truth)은 특정 질문에 관한 진실에 대한 지식과 관련된 개념적 용어로 볼 수 있습니다. 이상적인 예상 결과입니다. 통계 모델 에서 연구 가설 을 증명하거나 반증하는 데 사용됩니다.
"ground truthing"이라는 용어는 이 테스트에 대한 적절한 객관적 (증명 가능한) 데이터를 수집하는 프로세스를 나타냅니다.
Label vs Ground-truth
- 머신러닝/AI에서 사용되는 "Ground Truth" 뜻
- "label"은 정답지라고도 불리듯이 답이 명확하게 정해져 있는 값이다.
- "ground-truth"은 '우리가 정한 정답', '우리의 모델이 우리가 원하는 답으로 예측해주길 바라는 답'이다.
About
Ground-truth는 기상학에서 유래된 용어로 어느한 장소에서 수집된 정보를 의미합니다. Ground-truth는 보통 '지상 실측 정보'로 해석되며 인공위성과 같이 지구에서 멀리 떨어져서 지구를 관찰하였을 때 지구의 전체적인 관점을 보는 것에는 넓은 시야를 가질 수 있지만 실제 지면의 구조를 세밀하게 보는 것은 빛이 구름이나 대기를 통과하게 되면서 실제 모습이 왜곡되어 제대로 파악하는 것은 어렵습니다.
기계학습의 관점에서 보았을때 Ground-truth는 학습하고자 하는 데이터의 원본 혹은 실제 값을 표현할때 사용됩니다. 이미지에서 객체 감지를 목표로 하는 알고리즘의 예를 봅시다.
Background-removal-with-deep-learning.png
위 그림에서 맨 오른쪽(->)에 있는 그림이 Ground-truth에 해당하여 실제 이미지에서 해당 객체의 정보를 나타낸 것입니다.
초록색은 자전거이고 분홍색은 자전거를 모는 사람임을 유츄할 수 있습니다.
왼쪽에 있는 사진들은 사진에서 객체 감지를 한 결과로 Ground-truth 이미지와 완전히 일치하지는 않지만 기계학습으로 학습된 딥러닝 모델에 의해 해당 위치의 물체가 존재함을 확인할 수 있으며 이는 Ground-truth와 비교하였을 때 어느 정도 일치함을 알 수 있습니다.
다음으로 이미지를 통해 객체 감지(Object detection)를 할 때 경계 상자(Bounding box)로 감지된 객체의 위치를 표현한 사진을 보겠습니다.
Iou_stop_sign.png
위 사진은 표지판을 감지하여 이를 경계 상자로 표현한 것으로 파란색 상자가 Ground-truth이고 빨간 상자가 딥러닝 모델이 예측하여 표시한 부분입니다. 객체를 잘 감지한 딥러닝 모델이라면 Ground-truth와 가장 가까운 경계 상자를 표현한 예측값이 좋은 성능을 가진 딥러닝 모델이라고 할 수 있겠습니다.
그렇다면 어떠한 기준으로 딥러닝 모델이 예측을 잘 했는지를 알 수 있을까요 이를 수치로서 비교하기 위해 IoU(Intersection over Union) 공식을 사용합니다.