Computer Vision for Wildlife Monitoring: Detecting Brown Howler Monkeys using YOLO

기술 요약: 야생동물 모니터링을 위한 컴퓨터 비전 – YOLO를 이용한 갈색하울러원숭이 탐지

문제 정의
도시 확장과 서식지 파편화는 수목성 종, 특히 갈색하울러원숭이(Alouatta guariba)에게 심각한 위협이 되고 있으며, 이는 개체군을 고립시키고 도로 사고 및 감전으로 인한 사망 위험을 증가시킵니다. 캐노피 브릿지(Canopy bridges)는 완화 전략으로 활용되지만, 그 효과는 카메라 트랩을 통한 지속적인 모니터링에 의존합니다. 그러나 이러한 수동 검토 과정은 식생이나 날씨로 인해 발생하는 수많은 허위 양성(false positives) 데이터로 인해 방대한 양의 데이터를 처리하는 데 어려움을 겪고 있습니다. 또한, 이 특정 과업을 위한 고성능 컴퓨터 비전 모델 개발은 학습에 필요한 대규모 수동 주석 데이터셋의 부족이라는 "데이터 병목 현상"에 의해 제약을 받습니다.

방법론
본 연구는 주석 부족 문제를 극-복하기 위해 실제 데이터와 합성 데이터를 통합하여 카메라 트랩 영상에서 갈색하울러원숭이를 자동 탐지하는 하이브리드 접근 방식을 제안합니다.

• 주요 데이터셋: 저자들은 브라질 포르투 알레그레(Porto Alegre)의 10개 로프 사다리 캐노피 브릿지를 포함하는 장기 현장 연구 영상을 활용했습니다. 16,179개의 영상 중 갈색하울러원숭이가 포함된 2,325개의 선별된 영상을 처리했습니다. 1초 간격으로 프레임을 샘플링하여 10,508개의 고유 이미지를 생성하였으며, 이를 VGG Image Annotator를 사용하여 수동으로 주석을 달았습니다.
• 보조 데이터셋: 학습 다양성의 영향을 테스트하기 위해 두 가지 공개 데이터셋을 통합했습니다: "인간 탐지 데이터셋(Human Detection Dataset)"과 "비인간 영장류 데이터셋(Non-Human Primate Dataset)" (각 5,000장).
• 합성 데이터 생성: Unity와 Blender를 사용하여 10,000장의 합성 데이터셋을 제작했습니다. 갈색하울러원숭이의 3D 모델에 텍스처를 입힌 후 가상의 캐노피 브릿지 환경에 배치했습니다. 환경적 다양성을 시뮬레이션하기 위해 조명 조건(9개의 HDRI 및 낮, 흐림, 밤을 위한 3가지 후처리 설정)과 카메라 각도를 변화시켰습니다.
• 모델 아키텍처: 본 연구는 YOLOv10 객체 탐지 프레임워크를 미세 조정(fine-tuning)했습니다.
• 실험 설계:
  • 이미지 실험: 모델은 실제 갈색하울러원숭이 데이터와 보조 데이터(인간, 비인간 영장류, 합성 데이터)의 다양한 비율로 학습되었습니다. 실험은 100% 실제 데이터부터 100% 보조 데이터, 그리고 혼합 비율(예: 50/50 분할)까지 다양한 조합을 테스트했습니다.
  • 비디오 트리아지(Video Triage): 모델의 보전 전문가 활용성을 평가하기 위해 비디오 분류 프로토콜을 설계했습니다. 모델은 30초 영상에서 초당 4개의 프레임을 처리합니다. 양성 프레임 탐지 수가 특정 임계값을 초과할 경우 해당 영상을 "하울러원숭이 포함"으로 분류합니다 (F1-score를 통해 최적화됨).
• 평가: 데이터 누수(data leakage)를 방지하기 위해 시간적 교차 검증(temporal cross-validation)을 채택하여, 학습 데이터가 검증 데이터보다 시간적으로 앞서도록 보장했습니다. 성능은 정밀도(Precision), 재현율(Recall), F1-score, 그리고 IoU 0.5에서의 평균 정밀도(mAP@0.5)를 사용하여 측정되었습니다.

주요 결과

• 데이터 혼합의 영향: 5,000장의 실제 이미지로 학습된 참조 모델은 F1-score 0.808, mAP@0.5 0.805를 달립니디.
  • 합성 데이터의 우수성: 보조 데이터셋 중 합성 데이터가 가장 좋은 성능 향상을 보였습니다. 2,500장의 실제 이미지와 2,500장의 합성 이미지로 학습된 모델은 정밀도 0.889(참조 모델 대비 5% 향상)를 달성했으나, 재현율 측면에서는 약간의 트레이드오프가 있었습니다.
  • 최적의 하이브리드 학습: 전체 가용 데이터셋(10,508장의 실제 이미지와 10,000장의 합성 이미지 결합)으로 학습했을 때 가장 높은 종합 성능을 달립니디. 이 구성은 F1-score 0.859, mAP@0.5 0.873을 기록하며, 10,000장의 실제 이미지만으로 학습한 모델보다 우수한 성능을 보였습니다.
  • 보조 데이터의 한계: 보조 데이터만으로 학습할 경우(예: 합성 데이터만 사용하거나 비인간 영장류 데이터만 사용) 성능이 급격히 저하되었으며, 이는 합성 데이터가 실제 데이터를 보완할 수는 있지만 완전히 대체할 수는 없음을 확인시켜 줍니다.
• 비디오 트리아지 성능: 24개의 양성 프레임이라는 임계값을 사용할 때, 시스템은 비디오 분류에서 F1-score 0.762, 재현율 0.838을 달성했습니다. 이는 시스템이 하울러원숭이가 포함된 영상을 약 84% 유지하면서 음성 영상을 효과적으로 필터링했음을 나타냅니다.
• 실패 분석: 허위 음성(False negatives)은 주로 단 한 마리의 원숭이만 등장하는 영상, 동물의 일부만 보이는 경우, 또는 짧은 출현 시간(<5초)과 관련이 있었습니다. 강한 햇빛이나 비와 같은 환경적 요인 또한 탐지 난이도를 높이는 원인이 되었습니다.

의의 및 주장
본 논문은 제안된 하이브리드 전략이 야생동물 모니터링의 데이터 부족 문제를 해결할 수 있는 실행 가능한 솔루션을 제공한다고 주장합니다. Unity에서 생성된 합성 데이터를 실제 영상과 통합함으로써, 저자들은 노동 집약적인 수동 주석 작업에 대한 의존도를 낮추면서도 높은 탐지 정확도를 유지할 수 있음을 입증했습니다.

본 연구는 개발된 도구를 완벽한 인간 검토의 대체재가 아닌, 효율적인 트리아지(선별) 메커니즘으로 위치시킵니다. 이 도구는 보전 전문가들이 방대한 양의 카메라 트랩 영상을 빠르게 필터링하여, 대상 종이 없는 영상은 버리고 하울러원숭이가 포함된 영상을 우선적으로 상세 분석할 수 있도록 돕습니다. 저자들은 모델이 부분적 폐쇄(occlusion)나 짧은 출현에 어려움을 겪을 수 있지만, 이 접근 방식이 수동 작업량을 크게 줄여 파편화된 도시 환경 내 수목성 포유류를 위한 보다 확장 가능하고 신속한 보전 전략을 가능하게 한다고 언급했습니다. 또한, 현장 연구자들이 이러한 도구를 쉽게 배포할 수 있도록 동반 애플리케이션인 HowlerApp을 함께 공개했습니다.