⚡ electrical engineering

Method for restoring occluded boundaries of dense juvenile abalone in aquaculture environments based on discrete cosine transform

본 논문은 양식 환경 내 치패 전복의 밀집된 경계가 가려지는 문제를 해결하기 위해 교차 스케일 특징 융합 모듈과 이산 코사인 변환 기반의 학습 가능한 노이즈 모듈을 통합함으로써, 작은 크기, 밀집된 분포, 복잡한 가림 현상의 문제를 해결하고 분할 정확도를 향상시키는 새로운 방법을 제안한다.

원저자: Jun Yue, Changyi Dai, Guangjie Kou, Zihao Mao

게시일 2026-09-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jun Yue, Changyi Dai, Guangjie Kou, Zihao Mao

원본 논문은 CC BY 4.0 (https://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

활기찬 양식업의 세계에서 전복은 풍부한 영양과 고수요 육류 덕분에 매우 귀하게 여겨지는 생물입니다. 양식업자들에게 이 연체동물을 키우는 초기 단계는 매우 중요합니다. 판매하거나 더 큰 수조로 옮기기 전, 어린 전복은 크기에 따라 세심하게 분류되고 등급이 매겨져야 합니다. 이 과정은 전통적으로 수작업으로 이루어지는데, 이는 노동 집약적이며 작업자가 섬세한 동물을 직접 만져야 하는 느린 작업입니다. 이러한 접촉은 껍데기를 손상시킬 위험이 있으며, 전체 개체군을 위협하는 바이러스를 유입시킬 수 있습니다. 이를 해결하기 위해 과학자들은 기계가 이미지를 보고 분석하는 법을 배우는 분야인 컴퓨터 비전에 주목했습니다. 목표는 이 작은 생물들을 전혀 건드리지 않고도 자동으로 수를 세고 측정할 수 있는 시스템을 만드는 것입니다. 하지만 이 작업은 결코 간단하지 않습니다. 실제 양식 수조에서는 수천 마리의 전복이 서로 뭉쳐 있으며, 종종 서로의 위에 쌓여 있기도 합니다. 카메라의 눈에는 개별적인 경계가 가려진 채 엉키고 움직이는 껍데기 덩어리로 보입니다. 컴퓨터가 이들을 분리하려고 시 시도할 때, 여러 마리의 개별적인 동물이 아닌 하나의 커다란 덩어리로 인식하거나, 한 마리가 끝나고 다른 마리가 시작되는 가장자리를 놓치는 경우가 빈번합니다.

중국 둥둥 대학교의 연구팀은 컴퓨터가 이러한 시각적 혼란을 뚫고 볼 수 있도록 돕는 새로운 방법을 개발했습니다. 그들은 한 물체가 다른 물체의 시야를 가리는 현상을 뜻하는 기술 용어인 '폐색(occlusion)'이라는 특정 과제에 집중했습니다. 연구진은 이 연구에서 밀집된 작은 대상들, 구체적으로는 해조류가 가득한 수조 속에 빽빽하게 모여 있는 어린 전복 문제를 다루었습니다. 연구진은 이들의 밀집된 장면을 담은 148,000장 이상의 이미지가 포함된 'AbData'라는 맞춤형 데이터셋을 구축하여 시스템을 학습시켰습니다. 그들은 더 크거나 간격이 넓은 물체에는 잘 작동하는 기존의 컴퓨터 프로그램들이 이 작고 겹쳐진 껍데기들에는 크게 어려움을 겪는다는 것을 발견했습니다. 기존 프로그램들은 각 전복의 정확한 윤곽을 그리는 데 자주 실패하여, 틈을 남기거나 별개의 동물들을 하나의 형상으로 합쳐버리곤 했습니다.

이를 해결하기 위해 연구진은 찢어진 그림을 재구성하는 숙련된 화가처럼 작동하는 새로운 컴퓨터 모델을 설계했습니다. 그들의 접근 방식은 두 가지 주요 혁신에 기반합니다. 첫째, 이미지를 동시에 다양한 '세부 렌즈'를 통해 바라보는 시스템을 만들었습니다. 붐비는 방을 보는 것을 상상해 보십시오. 멀리서 보면 사람들의 흐릿한 모습이 보이지만, 가까이서 보면 얼굴과 손이 보입니다. 새로운 모델은 이러한 다양한 수준의 세부 사항을 결 сочета 하여, 전체적인 군집과 단일 껍데기의 구체적인 형태를 모두 이해할 수 있게 합니다. 이는 컴퓨터가 이웃한 개체에 의해 가려져 있더라도 숨겨진 경계가 어디인지 추측하는 데 도움을 줍니다. 둘째, 이미지의 빛과 어둠의 패턴을 분석하는 수학적 기법을 사용하여 '빈칸을 채우는' 방법을 도입했습니다. 컴퓨터가 끊어진 가장자리를 발견하면, 이 시스템의 일부는 누락된 선이 어떤 모습이어야 하는지 예측하는 법을 배웁니다. 이를 통해 다른 프로그램들을 혼란스럽게 만드는 울퉁불퉁하거나 불완전한 모양을 매끄럽게 다듬습니다.

테스트 결과는 이 새로운 방법이 효과적임을 보여줍니다. 연구진이 자신들의 시스템을 다른 유명한 컴퓨터 비전 도구들과 비교했을-때, 그들의 모델은 전복에 대해 더 정확한 윤곽을 생성했습니다. 특히 이 모델은 서로 빽빽하게 붙어 있는 동물들을 분리하는 데 탁ual히 뛰어났으며, 두 마리의 전복을 하나로 계산하거나 한 마리를 놓치는 실수를 줄였습니다. 또한 시스템은 높은 속도를 유지하여, 실제 양식 환경에서 유용하게 쓰일 수 있을 만큼 빠르게 이미지를 처리했습니다. 작고 숨겨진 이 생물들을 보고 세는 능력을 향상시킴으로써, 연구진은 궁극적으로 수동 분류를 대체할 수 있는 도구를 제공했습니다. 이는 등급 분류 과정을 가속화할 뿐만 아니라, 인간의 취급으로 인한 전복의 스트레스와 잠재적 피해로부터 전복을 보호하여 양식 산업에 더 깨끗하고 효율적인 미래를 선사할 것입니다.

기술 요약: 이산 코사인 변환 기반 밀집된 어린 전복의 폐쇄된 경계 복원을 위한 방법

문제 정의
어린 전복의 탐지 및 등급 분류는 산업적 양식업에서 매우 중요한 단계이다. 그러나 전통적인 수동 방식은 노동 집약적이고 오류가 발생하기 쉬우며, 전복에 손상을 입히거나 병원균을 유입시킬 위험이 있다. 컴퓨터 비전은 비접촉식 대안을 제공하지만, 기존의 인스턴스 분할 및 폐쇄 경계 복원 방법들은 어린 전복의 특수한 과제들, 즉 작은 타겟 크기, 밀집된 분포, 그리고 복잡하고 심한 폐쇄(intra-class 및 inter-class 모두 포함)를 해결하는 데 어려움을 겪고 있다. 현재의 딥러닝 접근 방식은 이러한 밀집된 시나리오에서 누락된 경계를 정확하게 복원하지 못해 생물량 계산의 효율성을 낮추고 오류를 높이는 경우가 많다.

방법론
저자들은 Patch-DCT 구조를 기반으로 구축된 새로운 딥러닝 프레임워크인 CD-DCT를 제안한다. 이 모델은 실제 양식 환경 내의 밀집되고 폐쇄된 작은 타겟을 처리하도록 특별히 설계되었다. 핵심 아키텍처는 두 가지 주요 혁신 기술을 통합한다:

교차 스케일 융합(Cross Scale Fusing, CSF) 모듈:
- 목적: 인접한 스케일의 특징을 학습함으로써 특징 표현을 강화하고 개별 전복의 위치 파악 능력을 향상시킨다.
- 메커니즘: 계산 비용이 많이 드는 전통적인 어텐션 메커니즘과 달리, CSF 모듈은 경량화된 설계이다. 이는 여러 스케일(예: Feature Pyramid Network의 F2, F3, F4)로부터 특징을 추출하고, **학습 가능한 행렬(learnable matrix)**을 사용하여 이를 융합한다. 이 행렬은 융합 가중치를 적응적으로 보정한다.
- 잔차 학습(Residual Learning): 이 모듈은 학습 가능한 제로 행렬( $Z_L$ )을 포함하여, 원래의 매핑 대신 기본 가중치의 증분을 학습함으로써 특징을 부드럽게 만들고 모델의 구조적 사전 지식을 강화하여 세그멘테이션 마스크의 "구멍(hole)" 현상을 줄인다.
이산 코사인 학습 가능 노이즈(Discrete Cosine Learnable Noise, DCTLN) 모듈:
- 목적: 이산 코사인 변환(DCT) 인코딩의 복잡성을 확장하고 DCT 벡터의 일관성을 개선하여 폐쇄된 경계를 복원한다.
- 메커니즘: 이 모듈은 훈련 데이터의 합성된 경계와 자연스러운 경계 사이에서 발생하는 불연속성 문제를 해결한다. 특징 및 마스크와 융합되는 학습 가능한 노이즈 행렬( $Z_N$ )을 도입한다.
- 과정: 마스크를 패치 단위로 나누어 DCT 벡터로 인코딩한 후 정제한다. 노이즈 모듈은 경계 정보를 조정하여 폐쇄로 인해 발생하는 누락된 DCT 벡터를 보완함으로써, 예측된 경계를 더욱 완전하고 매끄럽게 만든다.
- 손실 함수(Loss Function): 훈련에는 분류 손실, DCT 벡터에 대한 회귀 손실, 그리고 정확한 경계 회귀를 보장하기 위한 혼합 패치(전경과 배경이 모두 포함된 패치) 전용 손실을 결합한 복합 손실 함수가 사용된다.

주요 기여

AbData 데이터셋: 저자들은 복잡한 해조류 환경 내의 밀집되고 폐쇄된 어린 전복을 포함하는 148,540장의 이미지를 담은 특화된 데이터셋인 AbData를 구축하였다. 이는 훈련, 테스트, 검증 세트(8:1:1)로 분할되었으며 COCO 스타일로 포맷팅되었다.
아키텍처 혁신: 밀집된 소형 객체 시나리오에서 폐쇄된 경계의 복원을 목표로 하는 CD-DCT 모델을 제안하였으며, 이는 Patch-DCT 프레임워크에 CSF 및 DCTLN 모듈을 통합한 것이다.
효율적인 특징 융합: 적응적 가중치 보정을 위해 학습 가능한 행렬을 활용하여, 계산 비용을 크게 증가시키지 않으면서도 세그멘테이션 정확도를 향提升하는 경량 교차 스케일 융합 모듈을 개발하였다.
노이즈 학습을 통한 경계 복원: 합성 훈련 데이터와 자연스러운 경계 연속성 사이의 간극을 메우기 위해 DCT 도메인 내에서 학습 가능한 노이즈 메커니즘을 도입하여, 누락된 폐쇄 경계를 효과적으로 복구하였다.

실험 결과
모델은 표준 인스턴스 세그멘테이션 지표(AP, AP50, AP75, APs, APm) 및 초당 프레임 수(FPS)를 사용하여 AbData 데이터셋에서 평가되었다.

절제 실험(Ablation Studies):
- 베이스라인에 CSF 모듈을 추가했을 때 APs가 0.1% 향상되었고, FPS는 23.6(Base)에서 25.3(CSF 단독)으로 증가하였다.
- DCTLN 모듈을 추가했을 때 AP가 0.35%(57.882에서 58.344로) 향상되었으며, 이는 DCT 벡터를 풍부하게 하는 것이 경계 세부 사항을 정교하게 함을 입증한다.
- 전체 CD-DCT 모델(두 모듈 모두 포함)은 가장 높은 성능인 AP 58.789, APs 58.545, FPS 25.2를 달성하였다.
비교 분석:
- Transfiner와 비교했을 때, CD-DCT는 AP를 1.50%, APs를 1.31% 개선하였으며, 훨씬 더 빠른 속도(25.2 FPS vs. 4.6 FPS)로 구동되었다.
- 베이스라인인 Patch-DCT와 비교했을 때, CD-DCT는 AP를 0.91%, FPS를 1.6 증가시켰다.
- 시각적 비교 결과, CD-DCT는 중첩된 인스턴스를 성공적으로 구분하고 수생 식물에 의해 가려진 경계를 복원한 반면, Solov2 및 Patch-DCT와 같은 모델은 탐지 누락이나 인스턴스 병합 현상을 보였다.

의의 및 주장
본 논문은 CD-DCT 방법이 밀집되고 폐쇄된 양식 환경에서 어린 전복을 탐지하고 등급을 분류하는 과제를 효과적으로 해결한다고 주장한다. 폐쇄된 경계 복원의 정확도를 향상시킴으로써, 이 방법은 향ate 어린 전복 양식에 관한 후속 시각 연구를 위한 기술적 토대를 마련한다. 저자들은 자신들의 접근 방식이 높은 정확도와 속도의 균형을 제공하여, 수동 등급 분류가 비효율적이고 오류가 발생하기 쉬운 실제 산업 현장에 적합하다고 단언한다. 본 연구는 밀집되고 작으며 심하게 폐쇄된 해양 생물의 고유한 특성에 적용될 때 기존 딥러닝 모델이 갖는 특정 한계점에 대한 해결책으로 제시된다.

유사한 논문