소수 데이터로 새로운 물체 정확히 분류하는 딥러닝 기술 개발
딥러닝 모델 학습의 효율성 향상에 획기적 기여 전망
대구경북과학기술원(DGIST·총장 국양)은 박상현 로봇 및 기계전자공학과 교수(인공지능전공 겸직) 연구팀이 여러 이미지로부터 상관관계를 학습하는 트랜스포머를 활용해 소수 정답지를 가진 데이터로 기존 데이터셋에 존재하지 않는 새로운 물체를 정확히 분류하는 '퓨샷(few-shot)' 분류모델을 개발했다고 21일 밝혔다. 학습데이터에 없었던 물체를 인식하기 위해 대규모 데이터셋 구축이 필요했던 기존 딥러닝 모델 학습의 효율성 향상에 기여할 것으로 기대된다.
![Photo Image](https://img.etnews.com/photonews/2206/1543992_20220621135745_447_0001.jpg)
일반적으로 높은 성능의 딥러닝 분류모델을 훈련하기 위해서는 대규모 데이터셋을 구축해야 한다. 항목마다 수백에서 수천장의 영상을 모으고 영상 간 연결성 유무를 구분하는 레이블링 작업이 필요해 오랜 시간과 큰 비용이 발생한다.
이런 문제를 해결하기 위해 소수 데이터만으로 새로운 물체를 분류하는 퓨샷 모델이 활발하게 연구되고 있다. 현재 소수 레이블링이 있는 서포트(support) 데이터 간의 상관관계를 분석하는 트랜스포머나 픽셀 단위 영상 비교 기법들이 제안됐지만 성능 향상이 제한적이다.
![Photo Image](https://img.etnews.com/photonews/2206/1543992_20220621135745_447_0002.jpg)
연구팀은 소수의 레이블링이 있는 서포트 데이터를 줬을 때 분류해야 하는 영상에서 추출된 특징들을 효과적으로 비교할 수 있는 기법을 새롭게 제안했다. 데이터 사이 상관관계를 보여주는 '어텐션 맵(Attention Map)'을 활용해 특정 형태를 보이는 유사한 데이터를 모아 평균화시킨 특징 벡터를 변환하는 '트랜스포머'를 활용한 모델을 개발했다.
기존 기법과 달리 양방향으로 특징을 변환해 효과적으로 특징 벡터를 비교하는 방법을 고안했다. 이를 통해 영상에서 추출한 특징 벡터들이 서로 비교하기 적합한 새로운 벡터공간으로 변환되어 분류성능이 크게 개선했다.
새롭게 개발한 딥러닝 모델은 퓨샷 분류 문제에 있어 1~5개 데이터만으로 최대 84~94%의 정확도를 보였다. 기존 제안됐던 다른 퓨샷 학습 기법들의 성능을 크게 웃돌았다.
박상현 교수는 “이번 연구를 통해 개발한 모델은 퓨샷 분류 성능을 크게 개선했으며 이를 통해 딥러닝 모델 학습의 효율성 향상에 기여할 수 있을 것으로 기대된다”며 “향후 관련 기술을 좀 더 개선한다면 다양한 분류 문제에 범용적으로 활용될 수 있을 것”이라 말했다.
이번 연구 결과는 그 우수성을 인정받아 최근 인공지능 관련 분야 최우수 국제학술지 'IEEE Conference on Computer Vision and Pattern Recognition'에 게재되었다.
대구=정재훈기자 jhoon@etnews.com