질감과 내용 각각 다루는 오류함수 동시 사용
이미지 내용 유지하면서도 다른 도메인의 질감 가져
(서울=내외방송) 수많은 이미지를 활용해 인공지능 모델을 개발할 때 외부 요인 등으로 인해 데이터가 분류 시 정확성을 떨어뜨리는 '편향' 현상을 줄일 수 있는 방법이 개발됐다.
DGIST(대구경북과학기술원)는 "박상현 로봇빛기계전자공학과 교수 연구팀이 데이터 편향을 효과적으로 줄여줄 수 있는 새로운 이미지 변환 모델을 개발했다"고 7일 밝혔다.
인공지능 모델에서 데이터 편향이 발생할 경우 학습에 이용한 데이터에 대해서는 높은 성능을 보이지만, 다른 곳에서 얻은 데이터에서는 잘 동작하지 않는 문제가 발생한다.
특히, 기존의 딥러닝(인공지능 심화학습) 기법은 질감의 차이를 중요하게 활용하는 경향이 있어 예측이 부정확할 수 있다.
연구팀은 이미지 변환 모델을 개발해 질감의 편향을 제거한 데이터셋(집합)을 만들고, 이를 활용해 모델을 학습시키는 방법을 고안했다.
질감과 내용이 얽혀 있어 질감을 바꾸면 내용도 함께 변형되는 문제를 해결하기 위해 질감과 내용을 각각 다루는 오류함수를 동시에 사용할 수 있는 모델을 개발한 것이다.
새로 개발된 이미지 변환 모델은 입력된 이미지의 내용 정보와 다른 도메인(숫자로 이뤄진 인터넷상 컴퓨터 주소)의 질감 정보를 추출해 결합시키는 방식으로 작동한다.
이미지의 내용 정보와 새로운 도메인의 질감 정보를 동시에 유지하기 위해 자기유사성 오류함수와 질감동시발생 오류함수를 함께 사용해 모델을 학습시킨다.
이 학습 방법을 사용했더니 입력된 이미지의 내용 정보는 유지되면서 다른 도메인의 질감을 갖는 이미지를 생성할 수 있으며 결국 인공지능 모델의 성능을 크게 향상시킬 수 있게 됐다.
더 나아가 이미지의 내용은 그대로 유지하면서 질감만 조작할 수 있으며 의료 영상과 자율주행 영상 분야에서 기존의 기법과 성능을 비교해봤더니 새로운 기법이 더 높은 성능을 보였다.
박 교수는 "이번에 개발된 기술은 산업과 의료 분야에서 딥러닝 모델 학습을 위해 편향된 데이터셋을 불가피하게 사용해야 하는 상황에서 성능을 크게 높일 수 있다"고 말했다.
한편, 이 연구는 국제학술지인 '뉴럴 네트웍스(Neural Networks)'에 최근 게재됐다(논문명: Content preserving image translation with texture co-occurrence and spatial self-similarity for texture debiasing and domain adaptation).
