연구진은 CutMix의 라벨 할당 방식에 숨겨진 문제점을 발견했어요. CutMix는 붙여 넣은 영역의 크기가 의미 기여도를 제대로 반영하지 못하며, 배경 영역에 자주 닿아 잘못된 라벨을 부여할 수 있다는 점이에요. OA-CutMix는 객체 분할 마스크를 활용해 라벨 편향을 수정하고, 보이는 객체 영역 비율에 따라 라벨을 할당하는 방식으로 기존 CutMix의 문제점을 해결했어요.
OA-CutMix는 이미지 믹싱 과정을 그대로 유지하면서도 10개 이상의 정적/동적 믹싱 방법과 4가지 아키텍처, 6개 데이터셋에서 가장 높은 정확도를 달성했어요. 특히 작은 객체 인식 성능 향상에 효과적이며, 이미지 믹싱 알고리즘을 수정하는 것보다 라벨을 수정하는 것만으로도 충분히 성능을 개선할 수 있다는 점이 확인됐어요.
연구 결과는 CutMix의 라벨 편향 문제를 해결하는 것이 이미지 믹싱 알고리즘 개선만큼 중요하다는 것을 시사하며, OA-CutMix는 훈련 시간 비용은 줄이면서도 더 높은 정확도를 얻을 수 있는 효과적인 방법임을 입증했어요.