Domain adapted broiler density map estimation using negative-patch data augmentation

김태형 교수 등은 negative-patch 데이터 증강 및 도메인 적응 기계학습 기법을 사용하여 라벨링된 데이터 없이 영상으로부터 육계 군집의 밀도롤 효과적으로 추정할 수 있는 방법을 제안하였으며 관련 연구 논문이 Biosystems Engineering 저널에 게재(2023년 7월)되었다.

농업과 같은 실세계 문제에서 라벨링된 데이터의 부족을 극복하기 위해 전이 학습이 주목받고 있다. 도메인 적응은 소스 도메인에서 학습된 지식을 대상 도메인으로 이전할 수 있는 전이 학습의 한 방법이다. 그러나 소스 도메인과 목표 도메인의 데이터 특징 분포가 과도하게 다른 경우 일반화된 도메인 적응 성능을 보장하기 어렵다. 본 연구에서는 negative-patch (NP) 데이터 증강을 제안하여 이질적인 도메인 간의 도메인 적응 성능을 개선하였다. 제안된 방법은 육계 군집의 밀도 추정을 위해 Domain-Adversarial Training of Neural Networks (DANN)에 적용되었다. 소스 도메인으로는 사람 군중 사진 데이터셋을 사용하고, 대상 도메인으로 육계 군집 사진 데이터셋을 사용하였다. 육계의 밀도 추정 결과 NP를 적용한 모델이 그렇지 않은 것에 비해 오류를 최대 54%까지 감소시킬 수 있음을 보여주었으며, 라벨링된 데이터 없이도 육계 군집의 밀도를 효과적으로 추정하였다.

이 연구는 기계학습 시 라벨링된 데이터 부족의 극복을 위한 도메인 적응 기술을 농업 분야에 성공적으로 적용한 사례로, 향후 유사한 어려움을 겪고 있는 농업 인공지능 개발 사례에 적용함으로써 대량의 데이터 수집에 따른 시간과 비용을 절감해줄 수 있을 것으로 생각된다.