⚡ electrical engineering

ChiroEcho: extending automated bat vocalisation classification beyond the learned taxonomy

이 논문은 속(genus) 수준의 예측과 지리적 분포 데이터를 결합하여 훈련 세트에 없는 종을 정확하게 식별함으로써 자동 박쥐 음성 분류를 학습된 분류 체계 너머로 확장하고, 이를 통해 유럽 토착 박쥐의 운영 범위를 73%에서 85%로 높이는 딥러닝 프레임워크인 ChiroEcho를 소개한다.

원저자: Burooj Ghani, Welmoed Eversteijn, Milan van Hirtum, Juan Sebastián Cañas, Vincent J. Kalkman, Dan Stowell, A. Leonie Baier

게시일 2026-08-20

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Burooj Ghani, Welmoed Eversteijn, Milan van Hirtum, Juan Sebastián Cañas, Vincent J. Kalkman, Dan Stowell, A. Leonie Baier

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

박쥐는 밤의 침묵하는 수호자로서, 인간의 눈에는 보이지 않지만 유럽 전역의 생태계 건강에 필수적인 역할을 합니다. 이들은 곤충 개체수를 조절하고, 영양분을 이동시키며, 먹이 그물을 조절하는 데 도움을 주지만, 야행성 습성 때문에 연구하기가 매우 어렵습니다. 또한 엄격한 법적 보호를 받고 있으며 환경 변화에 민민하기 때문에, 과학자들은 이들의 개체군을 지속적으로 추적할 신뢰할 수 있는 방법이 필요합니다. 이를 위한 가장 효과적인 방법은 수동 음향 모니터링으로, 자율 녹음기가 박쥐가 항해와 사냥에 사용하는 고주파 초음파 호출음을 듣는 방식입니다. 그러나 이 녹음 데이터를 유용한 정보로 변환하는 것은 큰 과제입니다. 박쥐의 호출음은 동물의 행동, 비행 위치, 심지어 날씨에 따라 매우 다양하게 변하기 때문에, 서로 다른 종의 소리가 겹치거나 모호해질 수 있습니다. 컴퓨터가 새의 노래를 식별하는 데는 능숙해졌지만, 비슷하게 들리는 박쥐들을 구별하도록 가르치는 일은 여전히 까다로운 문제로 남아 있으며, 종종 컴퓨터가 명시적으로 학습한 특정 종만을 인식하는 수준에 머물러 있습니다.

연구팀은 컴퓨터가 단순히 종을 식별하는 것이 아니라 더 넓은 범주의 과(family) 그룹을 듣도록 가르치고, 지도를 사용하여 빈틈을 메우는 새로운 접근 방식을 개발했습니다. '키로에코(ChiroEcho)'라 명명된 이 시스템은 35종의 다양한 유럽 박쥐 녹음 데이터로 학습된 딥 러닝 프레임워크입니다. 모델이 모든 종을 즉시 암기하도록 강요하는 대신, 먼저 해당 박쥐가 속한 속(genus), 즉 더 넓은 의미의 과를 식별하는 법을 배웁니다. 이는 두 종이 거의 똑같이 들리더라도 대개 같은 과에 속한다는 점에서 매우 중요한 단계입니다. 컴퓨터가 특정 과에 대해 확신 있는 추측을 내리면, 녹음이 이루어진 위치를 확인합니다. 만약 컴퓨터가 해당 박쥐가 특정 과에 속한다고 판단하고, 지도가 해당 지역에 그 과의 종이 단 하나만 서식한다고 보여준다면, 시스템은 설령 해당 박쥐의 목소리를 학습 과정에서 한 번도 들어본 적이 없더라도 높은 확신을 가지고 종을 식별할 수 있습니다.

이 방법은 컴퓨터가 이전에 접해보지 못한 박쥐를 인식할 수 있게 하는 효과를 줍니다. 연구진은 실험을 위해 특정 두 종의 박쥐를 학습 데이터에서 완전히 숨겼습니다. 시스템이 이 숨겨진 종들의 녹음물을 마주했을 때, 종 식별 부분의 모델은 자연스럽게 잘못된 동물을 선택했는데, 주로 이전에 보았던 소리와 비슷한 친척 종을 선택했습니다. 그러나 연구진이 지리적 규칙을 적용했을 때, 시스템은 스스로를 수정했습니다. 가족 단위의 추측과 알려진 위치를 결합함으로써, 시스템은 표준 모델에서는 전혀 사용할 수 없었던 레이블을 성공적으로 복구하며 숨겨진 종을 높은 정확도로 식별해 냈습니다. 이 전략은 시스템이 유럽 전역에서 작동할 수 있는 능력을 확장하여, 식별 가능한 토착 종의 수를 35종에서 41종(지역 내 48종의 토착 종 중)으로 늘렸습니다.

또한 연구진은 대규모 데이터셋에만 의존하는 것이 때로는 희귀 동물에 대한 시스템의 성능을 은폐할 수 있다는 사실을 발견했습니다. 기록된 사례가 매우 적은 종들에 대해 자세히 살펴본 결과, 결과는 불안정하고 예측 불가능했습니다. 단 한 번의 정답이나 오답이 성공률을 0에서 100으로 급격히 변화시킬 수 있었으며, 이는 컴퓨터가 실제로 학습하고 있는 것인지 아니면 단순히 운이 좋은 것인지를 판단하기 어렵게 만들었습니다. 이는 보전 기술 분야의 지속적인 문제를 부각합니다. 즉, 모니터링이 가장 절실한 박쥐들이 컴퓨터를 학습시킬 데이터가 가장 적다는 점입니다. 새로운 프레임워크가 이러한 데이터 부족 문제를 해결하는 것은 아니지만, 존재하는 데이터를 최대한 활용하는 방법을 제시합니다. 과 단위의 예측을 안전망으로 사용하고 지리학이 최종 작업을 수행하게 함으로써, 시스템은 매번 새로운 발견을 위해 재학습할 필요 없이 더 넓은 범위의 종에 대해 신뢰할 수 있는 식별을 제공할 수 있습니다.

이 프로젝트의 성공은 자동화된 야생동물 모니터링의 더 넓은 경로를 시사합니다. 이는 기계가 소리로부터 배우는 것과 인간이 동물이 어디에 사는지 알고 있는 지식을 결합할 때, 어느 한쪽이 단독으로 할 때보다 더 강력한 도구를 만들 수 있음을 보여줍니다. 이 시스템은 인간 전문가를 완벽하게 흉내 낼 필요가 없습니다. 대신, 소리 분석이라는 무거운 짐을 처리하면서 단순하고 투명한 규칙을 사용하여 지식을 확장하는 파트너 역할을 합니다. 이러한 접근 방식은 계절적 패턴이나 특정 서식지 연관성과 같은 다른 유형의 생태학적 지식을 사용하여, 컴퓨터가 본 적 없는 종을 식별하도록 돕는 방식으로 다른 동물들에게도 적용될 수 있습니다. 유럽의 박쥐들에게 있어, 이는 자동화된 모니터링이 더 넓은 영역을 커버하고 더 많은 종을 보호할 수 있는 미래, 즉 밤의 고요하고 어두운 세계가 마침내 이해되는 풍경으로 변모하는 것을 의미합니다.

기술 요약: ChiroEcho

문제 정의
유럽 박쥐 개체군의 자동 모니터링은 이들의 은밀한 야행성 생활 방식과 법적 보호 조치로 인해 생물 다양성 보존 측면에서 매우 중요합니다. 그러나 수동 음향 모니터링을 통한 자동 식별은 여전히 도전적인 과제입니다. 박쥐의 초음파 호출(echolocation calls)은 행동, 서식지, 먹이 활동 맥락에 따라 크게 달라지며, 이는 종 내 및 종 간의 상당한 중첩을 야기합니다. 딥러닝이 음향 인식 능력을 향고시켰으나, 기존 시스템 대부분은 훈련 시 정의된 고정된 분류 체계 내에서만 예측을 수행하는 "폐쇄형 집합(closed-set)" 방식입니다. 이는 새로운 종이나 지리적으로 제한된 종이 나타나더라도 훈련 데이터가 부족할 경우 실질적인 적용을 제한합니다. 또한, 데이터 분포가 긴 꼬리 형태(long-tailed distribution)를 보이는 생물 음향 저장소의 특성상, 희귀 종에 대한 성능 추정치는 불안정한 경우가 많습니다.

방법론
저자들은 추론 단계에서 생태학적 도메인 지식을 통합하여, 학습된 분류 체계를 넘어 자동 박쥐 분류를 확장하도록 설계된 딥러닝 프레임워크인 ChiroEcho를 제시합니다.

데이터셋 및 전처리: 모델은 32개국 35종의 유럽 박쥐를 포함하는 11,517개의 녹음본으로 구성된 정제된 데이터셋인 ChirosetEurope2를 통해 훈련됩니다. 이 데이터셋은 자연적인 롱테일 분포를 보입니다. 녹음 데이터는 20초 단위 세그먼트로 전처리되며, 32 kHz로 리샘플링된 후 로그 멜 스펙트로그램(128 빈, 60 Hz–16 kHz)으로 변환됩니다. 비박쥐 환경음을 활용한 노이즈 클래스를 구축하여 현장 조건을 시뮬레이션했습니다.
모델 아키텍처: ChiroEcho는 공유된 EfficientNet-B3 음향 인코더와 두 개의 병렬 분류 헤드를 사용합니다.
1. 훈련된 35종 중 하나를 예측하는 종(Species) 헤드.
2. 11개 속(Genera) 중 하나를 예측하는 보조 속(Genus) 헤드.
  모델은 이진 교차 엔트로피를 사용하는 결합 손실 함수( $\mathcal{L} = \mathcal{L}_{\text{species}} + \mathcal{L}_{\text{genus}}$ )를 사용하여 엔드 투 엔드로 훈련됩니다. 두 가지 초기화 전략이 평가됩니다: 표준 ImageNet-1k 가중치(ChiroEchoIN)와 다양한 분류군으로 훈련된 생물 음향 모델인 Perch 2.0 가중치입니다.
지리적 해상도 전략: 핵심 혁신은 학습된 분류 체계를 확장하는 추론 단계의 규칙입니다. 녹음이 특정 임계값( $\tau$ ) 이상의 신뢰도로 특정 속(genus)에 할당되면, 시스템은 지역-속 매핑을 포함하는 **지리적 조회 테이블(geographic lookup table)**을 쿼리합니다. 만약 해당 녹음의 위치가 예측된 속의 종이 단 하나만 존재하는 지역에 해당한다면, 시스템은 해당 종이 훈련 데이터에 없었더라도 그 종으로 예측을 결정(resolve)합니다. 이는 지리적 사전 지식을 제약 조건이 아닌, 분류 체계 확장을 위한 메커니즘으로 전환합니다.
평가 프로토콜: 저자들은 35종에 대한 폐쇄형 집합 성능(F1-score, mAP, AUROC)을 평가합니다. 또한, 두 종(Pipistrellus kuhlii 및 P. maderensis)을 훈련 세트 및 종 헤드의 레이블 공간에서 제거한 **통제된 홀드아웃 실험(controlled held-out experiment)**을 수행합니다. 지리적 해상도 규칙을 통해 이러한 "미학습(unseen)" 종을 복구할 수 있는지 테스트합니다.

주요 결과

폐쇄형 집합 성능: 두 초기화 전략 모두 유사한 성능을 보였습니다. ChiroEchoIN(ImageNet-1k)은 가장 높은 mAP(종 0.694, 속 0.923)와 AUROC(종 0.990, 속 0.992)를 달려하였고, ChiroEchoPerch는 약간 더 높은 F1-score(종 0.845, 속 0.886)를 기록했습니다. 속 수준의 지표가 종 수준보다 일관되게 높게 나타났는데, 이는 밀접하게 연관된 종들을 구별하는 것이 더 어렵다는 점을 반영합니다.
희귀 데이터에서의 불안정성: 테스트 세그먼트가 10개 미만인 종에 대한 분석 결과, 성능 추정치의 높은 불안정성이 드러났습니다. 검증 세트와 테스트 세트를 결합했을 때 평균 정밀도(AP)가 크게 변동하였습니다(예: Myotis emarginatus의 AP가 0.004에서 0.335로 변화). 이는 제한된 데이터로 희귀 종을 신뢰성 있게 평가하는 것이 얼마나 어려운지를 보여줍니다.
지리적 해상도 성공 사례: 홀드아웃 실험에서 종 헤드는 미학습 종을 음향적으로 유사한 동속 종으로 오분류했습니다(예: P. kuhlii를 P. nathusii로 혼동). 그러나 지리적 해상도 규칙은 홀드아웃된 분류군에 대해 올바른 종을 성공적으로 찾아냈습니다:
- P. kuhlii (홀드아웃됨, 판텔레리아 맥락에서 테스트됨): 녹음 수준 정확도 69.5%.
- P. maderensis (홀드아웃됨, 마데이라 맥락에서 테스트됨): 녹음 수준 정확도 95.4%.
분류 체계 범위: 35종의 훈련된 종에 지리적 해상도 규칙을 적용함으로써, 본 프레임워크의 운용 범위는 35종에서 48종의 유럽 토착 박쥐 중 41종으로 확장되었습니다. 이는 커버리지를 73%에서 85%로 증가시킨 결과입니다.

의의 및 주장
본 논문은 자동화된 유럽 박쥐 분류에서 보고된 것 중 가장 넓은 운용 범위를 제시한다고 주장합니다. 주요 의의는 지리적 정보를 예측을 제한하는 제약 조건이 아니라, 분류기의 효과적인 분류 체계를 확장하는 메커니즘으로 재정의했다는 점에 있습니다.

저자들은 거친 예측(속)과 투명한 외부 제약(지리적 분포)을 결합하면, 훈련 중에 전혀 보지 못한 미세한 클래스(종)를 고유하게 결정할 수 있다는 "모호하지 않을 때 해결하는(resolve-when-unambiguous)" 전략을 입증했습니다. 이 접근 방식은 모델을 재훈련하거나 구조적 복잡성을 높이지 않고도 계층적 분류기를 확장할 수 있는 원리 증명(proof of principle)을 제공합니다. 저자들은 이 전략이 박쥐나 지리에 국한되지 않으며, 신뢰할 수 있는 거친 예측과 외부 도메인 제약(예: 계절적 출현, 숙주 연관성)이 미세한 클래스를 고유하게 식별할 수 있는 모든 계층적 분류 문제에 적용될 수 있다고 언급했습니다.

논문은 한계점에 대해 겸허한 태도를 유지하며, 희귀 종의 성능은 데이터 부족에 의해 제약받는다는 점과 현재 프레임워크가 정제된 녹음본에 의존하고 있어, 도메인 변화에 대한 견고성을 평가하기 위해 향-정제되지 않은 실제 환경의 사운드스케이프에 대한 검증이 필요함을 인정하고 있습니다.

유사한 논문