d라이브러리

처음 보는 것도 어떤 물체인지 알 수 있는 나의 비결 역시 이미지 인식 AI야. 특히 합성곱신경망 덕분에 이미지 인식 AI가 빠르게 발전했고, 덕분에 내 시력은 날로 정확해지고 있지. 그렇다면 합성곱신경망과 같은 알고리듬에는 어떤 수학이 필요할까? 전문가에게 들어볼게.

수학은 문제를 표현하고 해결하기 위한 기본적인 도구예요!

이미지 인식 AI를 어떤 분야에 사용할 수 있을지 항상 고민하는 최준원 한양대학교 공과대학 전기·생체공학부 교수입니다. 지금은 크게 두 가지 분야에 이미지 인식 AI를 적용하는 연구를 진행 중인데요, 그중 하나가 자율주행차입니다. 자율주행차는 카메라와 거리를 측정하는 다양한 센서로 데이터를 얻습니다. 카메라로 보는 이미지는 2차원이기 때문에 거리 정보를 더해 3차원 이미지를 만들고 이미지 인식 AI로 분석하죠.

다른 한 분야는 CCTV와 같은 카메라로 찍은 영상을 분석하는 일입니다. 사람 대신 영상으로 계속 감시할 수 있는 이미지 인식 AI를 만들고 있습니다. 범죄가 발생했을 것으로 예상되는 장소에서 사람들의 위치나 이동 방향, 옷차림 등의 정보를 스스로 파악할 수 있죠.

이 두 분야를 연구할 때 합성곱신경망을 사용합니다. 예를 들어 영상은 이미지를 시간에 따라 나열해 만든 데이터인데, 1초당 5~60장의 이미지로 이뤄져 있습니다. 합성곱신경망 안에서 이뤄지는 모든 계산 방식은 행렬의 형태이기 때문에 초당 수십 장에 이르는 많은 데이터를 한꺼번에 나타낼 수 있고, 복잡한 연산도 빠르게 할 수 있죠.

다만, 현재 이미지 인식 AI에는 풀어야 할 문제가 몇 가지 있습니다. 합성곱신경망 같은 딥러닝은 어떤 물체인지 정답을 써둔 수많은 이미지를 학습해 훈련합니다. 이때 데이터의 양이 워낙 많아 학습하는 데 오랜 시간이 걸리다 보니 적은 데이터로도 많은 양을 학습할 수 있는 방식을 고민해야 하죠. 그리고 딥러닝의 단점 중 하나가 지속적으로 학습하기 어렵다는 점입니다. 한 가지 일을 배우고 또 다른 일을 배우면 전에 배웠던 일의 효율이 크게 낮아지는 현상이 발생하죠. 앞으로 이런 문제를 행렬 개념을 적용해 풀어나가면 더 나은 이미지 인식 AI가 등장할 겁니다. 

합성곱신경망은 행렬 개념을 연달아 쓰는 구조예요!

안녕하세요, 새로운 모빌리티 서비스와 자율주행 기술을 연구하는 스타트업 ‘포티투닷(42dot)’의 정성균 연구원입니다. 저는 안전하고 편리한 자율주행차는 물론 지도를 만들거나 차량을 관리하는 기술을 개발하기 위해 노력하고 있죠. 그중에서도 자율주행차의 카메라로 주변 환경과 물체를 인식하기 위해 이미지 인식 AI를 만듭니다. 실제 이미지를 보고 물체를 인식하는 패턴을 학습하는 딥러닝, 그중에서도 합성곱신경망을 주로 사용하죠.

이미지 인식 AI를 위한 합성곱신경망은 데이터의 특성을 다차원 형태로 나타냅니다. 여기서 각 차원에 대한 데이터 특성은 물체를 구별하는데 활용할 수 있어요. 사과와 오렌지를 예를 들어 설명해볼게요. 사과와 오렌지를 구별하기 위해서는 색, 질감 등에 대한 질문을 던질 수 있는데요, 각 질문에 대한 답변은 서로 다른 차원에 반응하는 고유한 특성이라고 볼 수 있죠. 이때 질문과 답은 컴퓨터가 인식할 수 있는 숫자와 연산으로 나타내야 합니다.

여기서 각 차원에서의 정보를 의미하는 숫자들은 행과 열을 따라 사각형 형태로 배열하는 행렬을 사용해 나타냅니다. 이렇게 가상의 다차원 공간에 행렬로 숫자 데이터들을 나열해두면 분석하기가 쉽거든요.

사과와 오렌지로 다시 돌아가면 두 과일의 색이나 모양 등을 나타내는 숫자 데이터들이 행렬 형태로, 다차원의 공간에 있습니다. 그런데 사과와 오렌지를 보다 효율적으로 구분하기 위해서는 질문을 잘 하는 것이 중요합니다. 예를 들어 ‘동그란 형태인지 아닌지’라는 질문은 사과와 오렌지 둘 다 동그랗기 때문에 불필요한 질문입니다. 빠르고 효율적인 이미지 인식 시스템을 만들려면 다차원 공간에 있는 행렬 데이터들을 다양한 각도에서 바라보고 차원을 옮겨가면서, 효율적인 질문의 순서와 내용을 찾는 게 중요합니다.