포스텍, AI영상인식 시스템 개발…악천후에도 또렷하게 본다

글자 작게 글자 크게 인쇄하기

포스텍(총장 김무환)은 곽수하·조성현 인공지능대학원 교수와 컴퓨터공학과 통합과정 학생들로 구성된 연구팀이 악천후 상황에서 영상 인식 모델들이 안정적으로 동작할 수 있도록 돕는 새로운 영상 증강 모델을 개발했다고 14일 밝혔다. 이번 모델을 최근 세계 최고 수준 컴퓨터비전 국제학술대회인 유럽 컴퓨터비전 학술대회에서 소개해 주목을 받았다.

악천후 상황에서 영상 인식모델이 안정적으로 동작할 수 있는 영상증강 모델을 개발한 곽수하 교수(왼쪽)와 조성현 교수.
<악천후 상황에서 영상 인식모델이 안정적으로 동작할 수 있는 영상증강 모델을 개발한 곽수하 교수(왼쪽)와 조성현 교수.>

딥러닝이 발전하면서 영상 인식 기술도 고도화되고 있다. 그러나 실제로 폭설, 안개, 카메라 저노출, 과노출, 잡음 등 다양한 악조건 속에서 인식률이 현저히 떨어진다. 이는 현실에서 적용되는 영상 인식 기술들의 신뢰성을 떨어뜨린다. 특히 자율주행 자동차와 같이 안전과 직결된 응용 분야에서 큰 문제가 될 수 있다.

연구팀은 이를 해결하기 위해 영상 인식 인공지능(AI) 모델들에게 안경 역할을 하는 영상 증강 모델을 개발했다. 기존 다양한 영상 인식 모델 앞에 부착돼 각종 악조건으로 인해 손상된 입력 영상을 인식하기에 적합한 형태로 변화시킨다. 또 다양한 오염 원인을 효과적으로 다룰 수 있도록 설계됐고, 어떠한 영상 인식 문제와 모델 구조에도 적용될 수 있도록 학습된다.

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.
<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.>

연구팀은 실험을 통해 제안하는 모델이 영상 분류에서부터 물체 검출 및 분할에 이르는 다양한 영상 인식 모델의 인식률과 신뢰성을 높이고, 현존하는 영상 개선 모델들과 비교해 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 된다.

이는 AI 기술이 실제 생활에 응용될 가능성을 보여준다. 특히 자율주행 자동차나 낮은 성능의 카메라 시스템에서 촬영된 영상에서도 신뢰성 있는 영상 인식이 가능케 할 수 있다.

포항=정재훈기자 jhoon@etnews.com