• - 포스텍 곽수하 교수팀, 악조건 속에서도 인식할 수 있는 영상증강 모델 제안
  

제안하는 모델의 정성적 결과. (a) 눈과 안개 등으로 인해 오염된 입력 영상. (b) 제안하는 모델의 영상 증강 결과. (c) 오염되지 않은 영상. (d) 오염된 입력 영상과 영상 증강 결과 사이의 변화량. 제안하는 영상 증강 모델은 오염된 영상을 전반적으로 개선하는 효과를 가지나, 특히 영상 인식 측면에서 중요한 부분들에 집중한다는 것을 볼 수 있다.[포스텍 제공]

[헤럴드경제=구본혁 기자] 최근 영상 인식 기술이 발전하면서 CCTV나 블랙박스로 범죄나 사고를 확인하고 범인을 잡는 일이 늘어나고 있다. 또 자율주행 자동차나 전투기 등의 전면 디스플레이에 영상 인식 기술이 적용되면서 외부 환경을 빠르게 인식하고 대응하기도 한다. 하지만 비가 오거나 눈이 오면 영상인식 확률은 크게 떨어진다.

포항공과대학교(포스텍) 인공지능대학원 곽수하 교수팀은 세계 최고 수준의 컴퓨터비전 국제학술대회인 '유럽 컴퓨터비전 학술대회 2020'에서 악천후 상황에서도 영상 인식 모델들이 강인하게 동작할 수 있도록 돕는 새로운 영상 증강 모델을 소개했다.

딥러닝의 발전에 힘입어 영상 인식 기술 또한 상당한 수준에 이르렀다. 그러나 현실에서 종종 마주하는 우천, 폭설, 안개, 그리고 카메라의 저노출, 과노출, 잡음 등의 악조건 속에서는 인식률이 현저히 하락한다. 이는 실세계에 적용되는 영상 인식 기술들의 신뢰성을 떨어뜨리며, 특히 자율주행 자동차와 같이 안전과 직결된 응용 분야들에서 큰 문제가 된다.

연구팀은 이 문제를 해결하기 위해 영상 인식 인공지능 모델들에게 안경과도 같은 역할을 하는 영상 증강 모델을 개발했다. 이 모델은 기존의 다양한 영상 인식 모델들의 앞에 부착되어 각종 악조건으로 인해 손상된 입력 영상을 인식하기에 적합한 형태로 변화시킨다. 또한 다양한 오염의 원인을 효과적이고 효율적으로 다룰 수 있도록 설계됐고, 어떠한 영상 인식 문제와 모델 구조에도 적용될 수 있도록 학습된다.

연구팀은 실험을 통해 제안하는 모델이 영상 분류에서부터 물체 검출 및 분할에까지 이르는 다양한 영상 인식 모델들의 인식률과 신뢰성을 높이고, 현존하는 영상 개선 모델들과 비교하여 그 효과가 월등히 뛰어나다는 것을 확인했다. 특히 이 모델은 영상 인식 시스템을 변경할 필요 없이 그 앞에 부착돼 성능을 높이기 때문에 기존 인식 모델들을 재학습하지 않아도 된다는 장점이 있다.

이 영상증강 모델은 다양한 악조건에서도 정확한 영상 인식을 수행할 수 있게 한다. 이는 인공지능 기술이 실제 생활에 응용될 가능성을 보여준다. 특히 자율주행 자동차나 낮은 성능의 카메라 시스템에서 촬영된 영상에서도 신뢰성 있는 영상 인식이 가능케 할 수 있다.

nbgkoo@heraldcorp.com