Efficient Waste Sorting for Circular Economy: A Confidence-guided comparison between One-Vs-All and One-Vs-Rest Classification Strategies with Human-in-the-Loop for Automated Waste Sorting

기술 요약: 순환 경제를 위한 효율적인 폐기물 분류

문제 정의
순환 경제로의 전환은 유럽의 각 지방 자치 단체마다 상이한 폐기물 처리 규정의 복잡성으로 인해 저해되고 있습니다. 예를 들어, 독일의 경우 연방 주뿐만 아니라 개별 구(district)마다 분류 요구 사항이 다릅니다. 이러한 이질성은 주민들이 폐기물을 올바르게 배출하는 것을 어렵게 만들며, 이는 높은 오염율(예: 독일 플라스틱 폐기물의 최대 30%가 부적절하게 배출됨)과 처리 비용 증가로 이어집니다. AI 기반 모바일 애플리케이션이 주민들을 안내함으로써 해결책을 제시할 수 있지만, 기존 시스템은 특정 지역의 분류 체계에 적응하는 데 필요한 구성 가능성(configurability)이 부족한 경우가 많습니다. 또한, 표준적인 다중 클래스 분류 방식은 모듈성이 부족하여, 새로운 규정에 모델을 적응시키기 위해서는 일반적으로 전체 재학습이 필요합니다. 아울러, 과도한 수동 작업 없이 인간의 검토를 위해 불확실한 샘플을 식별함으로써 예측 성능과 인간의 주석(annotation) 노력 사이의 균형을 맞출 필요가 있습니다.

방법론
저자들은 독일 고슬라르(Goslar)의 폐기물 분류 체계에 맞춘 데이터셋을 활용하여 두 가지 주요 분류 전략인 **One-vs-All (OvA)**와 **One-vs-Rest (OvR)**를 평가하고 비교하였습니다.

• 데이터셋 구축: 본 연구는 TACO 및 TrashNet 데이터셋을 병합하고 이를 지역 프레임워크에 매핑하여 구축한 6개 클래스의 폐기물 관리 데이터셋을 사용하였습니다. 최종 카테 categories에는 유기 폐기물, 종이 폐기물, 플라스틱 및 금속 폐기물, 재활용 센터, 유리, 일반 쓰레기가 포함되었습니다. 데이터셋은 18,515개의 훈련 이미지, 2,000개의 검증 이미지, 2,000개의 테스트 이미지로 계층화되었습니다.
• OvA 전략: 사전 학습된 InceptionV3 백본(ImageNet)과 커스텀 Global Average Pooling, Fully Connected (FC), Dropout 레이어를 사용하여 단일 다중 클래스 분류기를 구축했습니다. 출력 레이어는 6개 클래스에 대한 정규화된 확률 분포를 생성하기 위해 Softmax 활성화 함수를 사용했습니다.
• OvR 전략: 각 타겟 클래스에 대해 6개의 독립적인 이진 분류기를 학습시켰습니다. 각 분류기는 동일한 InceptionV3 백본과 아키텍처를 사용하지만, 단일 출력 뉴런을 위해 Sigmoid 활성화 함수를 채택했습니다. 특정 분류기의 양성 샘플은 해당 타겟 클래스의 인스턴스이며, 음성 샘플은 나머지 모든 클래스로 구성되었습니다.
• 신뢰도 기반 분석: 오분류율과 인간의 주석 노력 사이의 트레이드오프를 해결하기 위해, 저자들은 다양한 신뢰도 임계값을 적용했습니다. 테스트 샘플은 예측 확률에 따라 다음 네 가지 그룹으로 분류되었습니다:
  1. 고신뢰도 (그룹 1): 하나의 클래스가 $p \ge 0.95$인 경우.
  2. 단일 투표 (그룹 2): 하나의 클래스가 $0.50 < p < 0.95$인 경우.
  3. 다중 투표 (그룹 3): 여러 클래스가 $0.50 < p < 0.95$인 경우 (OvR 전용).
  4. 무투표 (그룹 4): 모든 클래스가 $p \le 0.50$인 경우.

주요 결과

• 전체 정확도: OvA 전략이 미세하게 더 높은 전체 정확도를 달了하며, OvR 전략이 54개의 이미지를 오분류하는 동안 OvA는 49개를 오분류했습니다.
• 오류 패턴: 오직 29개의 이미지만이 두 전략 모두에서 공통적으로 오분류되었으며, 이는 각 접근 방식의 뚜렷한 오류 패턴을 나타냅니다.
• 불확실성 식별:
  • OvA: 이 전략은 불확실한 샘플을 식별하는 데 어려움을 겪었습니다. 그룹 3에는 샘플이 없었으며(확률의 합이 1이므로), 그룹 4에는 단 2개의 샘플(둘 다 오분류됨)만 포함되었습니다. 결과적으로 그룹 3과 4를 대상으로 했을 때 오분류의 약 4%만을 포착했습니다. 고신뢰도 오류(그룹 1)를 탐지하는 것도 어려웠는데, 27개의 오분류 샘플이 높은 예측 확률로 인해 "손실"되었습니다.
  • OvR: 이 전략은 불확실한 샘플을 표시하는 데 있어 우수한 능력을 보여주었습니다. 그룹 3(다중 투표)과 그룹 4(무투표)에 오류가 집중되었습니다. 구체적으로, 그룹 3과 4에 집중함으로써 전체 데이터의 5% 미만만을 주석 작업으로 사용하면서도 오분류의 50% 이상을 식별할 수 있었습니다. 그룹 4에만 집중했을 경우 2.5% 미만의 주석 노력으로 오분류의 35% 이상을 식별했습니다.

의의 및 주장
본 논문은 OvA 전략이 다중 클래스 폐기물 분류에서 약간 더 나은 원시 정확도를 제공하지만, OvR 전략이 반복적인 모델 개선 및 적응성에 있어 더 우수하다고 주장합니다. 본 연구의 의의는 OvR이 다음과 같음을 입증하는 데 있습니다:

1. 모듈성 향상: 전체 시스템을 재학습하지 않고도 (예: 새로운 지자체 규정 준수를 위해) 폐기물 카테고리를 선택적으로 추가하거나 제거할 수 있습니다.
2. Human-in-the-Loop 노력 최적화: 오류의 상당 부분을 수정하기 위해 필요한 주석 노력을 크게 줄이면서, 인간의 검토를 위한 불확실한 샘플을 식별하는 더 효과적인 메커니즘을 제공합니다.
3. 순환 경제 목표 지원: 분권화된 지역 규정에 적응할 수 있는 구성 가능한 프레임워크를 제공함으로써, OvR 방식은 확장 가능하고 사용자 친화적인 폐기물 분류 도구의 배포를 지원합니다.

저자들은 향후 연구에서 두 전략의 상호 보완적인 강점을 활용하기 위해 앙상블 프레임워크를 탐구하고, 적응형 임계값을 하이퍼파라미터로 조사해야 한다고 결론지었습니다.