발명의 배경과 필요성

기술의 배경과 문제점

• 딥 러닝 기반 알고리즘은 일반적으로 양질의 라벨 데이터에 대한 적극적인 지도 학습을 요구하여, 데이터 준비에 많은 비용과 시간이 소요됩니다.

• 라벨이 필요 없는 비지도 학습 방식은 확장성이 좋지만, 영상 데이터와 같이 차원이 높은 경우에는 유사한 속성을 공유하는 클래스로 데이터를 분류하는 클러스터링 성능에 한계가 있습니다.

• 따라서 기존 영상 분석 시스템의 객체 분류 정확도를 개선하고, 고차원 데이터를 효율적으로 처리할 수 있는 새로운 방안이 요구됩니다.

기술의 필요성

• 막대한 라벨링 비용과 시간 없이도 높은 정확도의 객체 분류를 달성할 수 있는 비용 효율적인 AI 기술이 필요합니다.

• 복잡하고 차원이 높은 영상 데이터로부터 의미 있는 정보를 효과적으로 추출하고 분류하는 고도화된 비지도 학습 방법론이 산업 현장에서 강력하게 요구됩니다.

구현 방법

기술의 원리

• 본 발명은 제1 분석기와 제2 분석기를 포함하는 독창적인 2단계 영상 분석 시스템입니다.

• 1단계 (사전 훈련): 제1 분석기가 라벨 없는 이미지들을 인코딩하여, 유사한 특징들이 서로 가깝게 배치되도록 임베딩 공간을 효과적으로 학습합니다. 이는 후속 클러스터링을 위한 최적의 초기화 정보를 생성하는 과정입니다.

• 2단계 (임베딩 및 클러스터링): 제2 분석기가 1단계에서 생성된 정보를 바탕으로, 원본 이미지 그룹과 확장(augmentation) 이미지 그룹 간의 상호 정보(mutual information) 및 상관 관계를 활용해 클러스터링을 수행하여 최종 분류 정확도를 극대화합니다.

구체적인 구현 방법

1. 사전 훈련 단계 (제1 분석기): 제1 모델(예: Super-AND)이 원본 이미지 및 데이터 증강을 통해 생성된 확장 이미지로부터 특징을 추출합니다. 이후 임베딩 과정을 통해 초기화 정보를 생성하며, AND 손실, 확장 손실, 엔트로피 손실을 종합적으로 최소화하도록 모델의 가중치를 조절합니다.

2. 클러스터링 단계 (제2 분석기): 제2 모델이 사전 훈련된 특징을 초기값으로 사용하여 인코딩과 클러스터링을 함께 수행합니다. 이 단계에서는 원본-확장 이미지 그룹 간의 상호 정보를 최대로 만들고, 일관성 보존 손실을 최소화하여 클러스터링의 정확도를 한층 더 정교하게 만듭니다.

기술의 장점

• 높은 정확도: 2단계에 걸친 체계적인 학습과 정교화 과정을 통해 기존 비지도 학습 방식보다 월등히 뛰어난 객체 분류 정확도를 달성합니다.

• 비용 효율성: 고가의 이미지 라벨링 과정이 필요 없는 완전 비지도 학습 방식을 채택하여 데이터 준비에 드는 시간과 비용을 획기적으로 절감합니다.

• 안정적인 학습: 사전 훈련 단계에서 안정적으로 특징 공간을 학습한 후 클러스터링을 수행하므로, 일부 데이터가 누락되는 '클래스 누락' 문제 없이 안정적인 분류가 가능합니다.

본 발명과 기존 기술 비교

실험 및 결과

실험의 목적

본 실험의 목적은 제안된 2단계 영상 분석 시스템이 학습을 반복함(에포크 증가)에 따라, 라벨 없는 이미지 데이터의 특징들을 얼마나 정확하고 정교하게 클러스터링하는지 시각적으로 검증하는 것입니다.

실험 방법 및 과정

1. 라벨이 없는 이미지 데이터셋을 준비합니다.

2. 제1 분석기를 통해 사전 훈련을 수행하여 특징 임베딩 공간을 초기화합니다.

3. 제2 분석기를 통해 인코딩 및 상호 정보 기반 클러스터링을 반복 수행하며 모델 가중치를 업데이트합니다.

4. 에포크(Epoch)가 증가함에 따라 임베딩 공간에 분포된 특징들의 클러스터링 정교화 과정을 관찰합니다.

실험 결과

실험 결과, 학습 초기(낮은 에포크)에 임베딩 공간에 흩어져 있던 데이터 특징들이 에포크가 증가함에 따라 점차 명확한 그룹(클러스터)으로 강력하게 수렴하는 것이 확인되었습니다. 이는 본 발명의 시스템이 학습을 통해 데이터의 내재적 구조를 성공적으로 발견하고, 라벨 없이도 객체를 정확하게 분류할 수 있음을 명확히 보여줍니다.

활용 방안 및 기대효과

활용 방안

• 자율주행 시스템: LiDAR 및 카메라 센서 데이터 분석을 통한 주변 환경 객체(차량, 보행자 등) 인식 정확도 향상

• 의료 영상 분석: MRI, CT, X-ray 등 의료 이미지에서 이상 부위(종양 등)를 자동으로 탐지하고 진단을 보조하는 솔루션

• 지능형 보안 시스템: CCTV 영상에서 비정상 행위나 특정 인물/객체를 자동으로 식별하고 추적하는 관제 시스템

• 스마트 팩토리: 생산 라인에서 촬영된 이미지를 분석하여 제품의 미세한 불량을 자동으로 검사하는 품질 관리 자동화

기대효과

• 기술 경쟁력 확보: 고비용의 데이터 라벨링 없이도 상용화 수준의 높은 성능을 내는 AI 기술을 통해 차별화된 시장 경쟁 우위를 확보할 수 있습니다.

• 개발 비용 및 기간 단축: AI 모델 개발의 가장 큰 병목 구간인 수동 데이터 가공 작업을 최소화하여 전체 개발 비용과 기간을 획기적으로 단축시킬 수 있습니다.

• 신규 시장 창출: 다양한 산업 분야에 저비용·고효율 영상 분석 솔루션을 제공함으로써, 기존에 AI 도입이 어려웠던 분야로의 새로운 서비스 및 시장 창출이 가능합니다.

시장 동향

시장 규모 및 성장 전망

인공지능 이미지 처리 기술을 포함한 영상 데이터 기반 AI 서비스 시장은 매우 빠른 속도로 성장하고 있습니다. 전 세계 시장은 2024년 113억 1,000만 달러 규모에 달하며, 연평균 22.5% 성장할 것으로 전망됩니다. (출처)

• 국내 시장 또한 2024년 2조 3,190억 원 규모로, 연평균 23.4%의 가파른 성장세가 예상됩니다. (출처)

• 관련 기술인 글로벌 LiDAR 시장은 2024년 2조 5,700억 달러에서 2029년 6조 3,800억 달러 규모로 성장(CAGR 19.93%)할 것으로 전망됩니다. (출처)

• 세계 인공지능(AI) 보안 시장은 2026년 382억 2,700만 달러에 이를 것으로 전망되며, 이는 연평균 23.3%의 높은 성장률입니다. (출처)

주요 플레이어 및 경쟁 환경

현재 비지도 학습 및 영상 분석 시장은 특정 기업이 독점하기보다는, 자율주행, 의료, 보안 등 다양한 응용 분야에서 혁신적인 알고리즘과 솔루션을 개발하는 기술 기업들이 경쟁하는 구도입니다. 경쟁의 핵심은 더 적은 데이터로 더 높은 정확도를 달성하는 알고리즘의 효율성에 있으며, 본 발명과 같은 고효율 비지도 학습 기술은 시장에서 중요한 경쟁 우위가 될 수 있습니다.

산업 동인 및 기회 요인

1. 고해상도 데이터 수요 증가: 자율주행, 정밀 의료 등에서 고해상도 이미지 데이터의 분석 수요가 급증하고 있습니다.

2. AI 및 머신러닝 기술 통합: 다양한 산업에서 AI 기술을 기존 시스템에 통합하려는 움직임이 시장 성장을 견인하고 있습니다.

3. 스마트 시티 및 도시 개발 확대: 지능형 교통, 안전 관제 등 스마트 시티 구축에 영상 분석 기술이 핵심적인 역할을 합니다.

4. 정부 및 민간 투자 확대: 미래 성장 동력으로서 AI 기술에 대한 각국 정부와 글로벌 기업들의 투자가 지속적으로 확대되고 있습니다. (출처)

5. 안전 규제 강화 및 5G 인프라 확충: 산업 안전 및 공공 안전에 대한 규제 강화와 대용량 데이터를 실시간으로 처리할 수 있는 5G 인프라가 시장 성장을 가속화합니다. (출처)