대구경북과학기술원(DGIST·총장 국양)은 박상현 로봇및기계전자공학과 교수 연구팀이 데이터의 편향을 효과적으로 줄여줄 수 있는 새로운 이미지 변환 모델을 개발했다고 6일 밝혔다.
여러 소스에서 수집한 이미지를 사용해 인공지능(AI) 모델을 개발할 때 사용자의 의도와 다르게 다양한 요소에 의해 데이터 편향이 일어날 수 있는데, 이러한 요소정보가 없더라도 편향을 제거해줄 수 있어 높은 영상분석 성능을 얻을 수 있게 도와준다. 자율주행, 콘텐츠 생성, 의료 분야에서 혁신적인 역할을 할 수 있을 것으로 기대된다.
딥러닝 모델을 훈련시키기 위해 사용되는 데이터셋에는 종종 편향이 있다. 예를 들어 세균성 폐렴과 코로나를 구분하는 데이터셋을 만든다고 할 때 코로나 감염 위험으로 인해 서로 다른 조건에서 영상을 수집하게 될 수 있다.
연구팀은 이미지 변환 모델을 개발, 질감의 편향을 제거한 데이터셋을 만들고, 이를 활용해 모델을 학습시키는 방법을 고안했다. 기존 이미지 변환 모델은 질감과 내용이 서로 얽혀 있어 질감을 바꾸면 내용도 함께 변형되는 문제가 있었는데, 이를 해결하기 위해 질감과 콘텐츠를 각각 다루는 오류함수를 동시에 사용하는 모델을 새롭게 개발했다.
새로운 이미지 변환 모델은 입력 이미지의 콘텐츠 정보와 다른 도메인의 질감 정보를 추출해 결합시키는 방식으로 작동한다. 이때 입력 이미지의 콘텐츠 정보와 새로운 도메인의 질감 정보를 동시에 유지하기 위해 콘텐츠 자기유사성(Spatial Self-Similarity) 오류함수와 질감동시발생(Co-occurence) 오류함수를 함께 사용해 모델을 학습시킨다. 그 결과, 입력 이미지의 콘텐츠 정보는 유지한 채로 다른 도메인의 질감을 갖는 이미지를 생성할 수 있게 됐다.
이러한 방법을 사용해 질감 편향이 제거된 데이터셋을 만들고 이를 활용해 딥러닝 모델을 훈련시킴으로써 기존 방법에 비해 큰 성능 향상을 확인할 수 있었다. 질감 편향이 존재하는 숫자 분류 데이터셋, 털이 색상이 다른 개·고양이 분류 데이터셋, 촬영 프로토콜이 다른 코로나·세균성폐렴 분류 데이터셋에서 기존 편향 제거 및 이미지 변환 기법 대비 높은 성능을 도출했다.
이번 연구는 또 이미지 조작 작업에도 적용할 수 있다. 기존 이미지 조작 방법과 비교하면, 이미지의 내용은 그대로 유지하면서 질감만을 조작하는 결과를 확인할 수 있다. 또 이 기법은 다른 환경으로의 적응에도 효과적으로 사용할 수 있다. 의료 영상 및 자율주행 영상과 같은 다양한 도메인에서 기존의 적응 기법과 성능을 비교한 결과, 이 새로운 기법이 더 높은 성능을 보여주는 것을 확인했다.
박상현 교수는 “이번 연구를 통해 개발된 기술은 산업 및 의료 분야에서 딥러닝 모델 학습을 위해 편향된 데이터셋을 불가피하게 사용해야 하는 상황에서 성능을 크게 높일 수 있는 기법”이라고 설명했다.
이번 연구 결과는 최근 영상분석 관련 분야 최상위 저널인 '뉴럴 네트웍스(Neural Networks)'에 게재됐다.
대구=정재훈 기자 jhoon@etnews.com
