시맨틱 세분화

시맨틱 세분화의 작동 방식

시맨틱 세그멘테이션의 주요 목표는 이미지의 각 픽셀을 미리 정의된 카테고리 집합으로 분류하는 것입니다. 예를 들어 자동차, 보행자, 나무가 여러 개 포함된 이미지에서 시맨틱 분할 모델은 자동차를 구성하는 모든 픽셀을 '자동차', 보행자의 모든 픽셀을 '보행자', 나무의 모든 픽셀을 '나무'로 레이블을 지정합니다. 이 모델은 동일한 객체 클래스의 모든 인스턴스를 동일하게 취급합니다.

최신 의미론적 세그멘테이션은 딥 러닝, 특히 CNN(Convolutional Neural Network)에 크게 의존합니다. 이러한 모델은 일반적으로 지도 학습 기법을 사용하여 훈련되며, 상세한 픽셀 수준의 주석이 포함된 대규모 데이터 세트가 필요합니다. 이 과정에는 이미지를 네트워크에 입력하면 세분화 맵이 출력되는 과정이 포함됩니다. 이 맵은 기본적으로 각 픽셀의 값(종종 색상으로 표시됨)이 예측된 클래스 레이블에 해당하는 이미지로, '도로', '건물', '사람' 등과 같은 다양한 카테고리를 시각적으로 구분합니다. 데이터 라벨링의 품질은 정확한 모델을 학습시키는 데 매우 중요합니다.

다른 세분화 작업과의 주요 차이점

의미론적 세분화와 관련 컴퓨터 비전 작업을 구분하는 것이 중요합니다:

• 이미지 분류: 전체 이미지에 단일 레이블을 할당합니다(예: "이 이미지에는 고양이가 포함되어 있습니다"). 개체의 위치나 윤곽선은 지정하지 않습니다.
• 개체 감지: 경계 상자를 사용하여 개체를 식별하고 위치를 찾습니다. 객체의 위치를 알려주지만 픽셀 수준에서 정확한 모양은 제공하지 않습니다.
• 인스턴스 세분화: 각 픽셀을 분류할 뿐만 아니라 동일한 오브젝트 클래스의 여러 인스턴스를 구분하여 시맨틱 세그먼트보다 한 단계 더 나아갑니다. 예를 들어, 장면의 각 개별 자동차에 고유 ID와 마스크를 할당할 수 있습니다. 자세한 내용은 인스턴스 분할과 시맨틱 분할을 비교하는 이 가이드를 참조하세요.
• 파놉틱 세분화: 시맨틱 및 인스턴스 세분화를 결합하여 모든 픽셀에 대한 카테고리 레이블과 셀 수 있는 객체('사물')에 대한 고유 인스턴스 ID를 모두 제공하는 동시에 하늘이나 도로와 같이 셀 수 없는 배경 영역('사물')을 그룹화합니다.

실제 애플리케이션

시맨틱 세분화가 제공하는 상세한 장면 이해는 많은 실제 애플리케이션에서 매우 중요합니다:

• 자율 주행: 자율주행차는 시맨틱 세분화를 사용하여 주변 환경을 정확하게 이해합니다. 자율 주행 시스템은 도로, 차선, 인도, 보행자, 다른 차량, 장애물에 속하는 픽셀을 분류함으로써 보다 안전한 내비게이션 결정을 내릴 수 있습니다. 이는 차량용 AI 솔루션의 핵심 구성 요소입니다.
• 의료 이미지 분석: 의료 분야에서 시맨틱 세그멘테이션은 MRI나 CT와 같은 의료 스캔을 분석하는 데 도움이 됩니다. 자동으로 장기를 묘사하고, 종양이나 병변을 식별 및 측정하며, 픽셀 수준의 정확도로 이상 징후를 강조할 수 있습니다. 예를 들어, Ultralytics YOLO 모델은 종양 탐지에 사용되어 방사선 전문의가 상세한 의료 영상 기술을 기반으로 진단 및 치료 계획을 세우는 데 도움을 줄 수 있습니다.
• 위성 이미지 분석: 토지 피복 분류, 삼림 벌채 모니터링, 도시 계획 및 농업 분야에 사용됩니다. NASA 지구 관측소의 예에서 볼 수 있듯이 위성 사진에서 숲, 수역, 들판, 건물이 들어선 지역을 구분할 수 있습니다. 컴퓨터 비전으로 위성 이미지를 분석하는 방법에 대해 자세히 알아보세요.
• 로보틱스: 로봇이 장면 내의 레이아웃과 물체를 이해하여 주변 환경을 보다 효과적으로 인식하고 상호 작용할 수 있도록 지원합니다. 로봇 공학에 컴퓨터 비전을 통합하는 방법에 대해 알아보세요.

모델 및 도구

시맨틱 세그멘테이션은 종종 딥러닝 모델, 특히 CNN에서 파생된 아키텍처를 사용합니다.

• 아키텍처: 초기에 널리 사용된 아키텍처로는 분류 네트워크에서 완전히 연결된 레이어를 컨볼루션 레이어로 대체하여 공간 지도를 출력하는 완전 컨볼루션 네트워크(FCN)와 스킵 연결이 있는 인코더-디코더 구조를 사용하여 특히 생체 의학 이미지 분할에 효과적인 U-Net이 있습니다.
• 최신 모델: 다음과 같은 최신 모델 Ultralytics YOLOv8 및 최신 YOLO11 과 같은 모델도 다양한 세분화 작업을 위한 강력한 기능을 제공하여 속도와 정확성의 균형을 맞춥니다.
• 교육 플랫폼: Ultralytics 허브와 같은 도구는 널리 사용되는 COCO 세분화 데이터 세트와 같은 데이터 세트를 관리하고, 사용자 지정 모델을 훈련하고, 모델 배포 옵션을 탐색할 수 있는 플랫폼을 제공합니다.
• 프레임워크: 개발은 종종 다음과 같은 프레임워크를 활용합니다. PyTorch 및 TensorFlow. 데이터 증강과 같은 기술은 일반적으로 모델 견고성을 개선하는 데 사용됩니다.