시맨틱 분할

시맨틱 분할은 이미지의 모든 픽셀에 특정 클래스 레이블을 할당하는 기본적인 컴퓨터 비전 작업입니다. 객체를 상자로 식별하거나 전체 이미지에 단일 레이블을 할당하는 다른 방법과 달리, 시맨틱 분할은 존재하는 다양한 시맨틱 범주의 밀집된 픽셀 단위의 완벽한 맵을 생성합니다. 이는 '도로', '하늘', '건물' 또는 '사람'과 같은 각 범주의 정확한 모양과 위치를 윤곽선으로 표시하여 이미지 콘텐츠에 대한 풍부하고 상세한 이해를 제공합니다. 개별 객체를 식별하는 것만큼 컨텍스트와 레이아웃을 이해하는 것이 중요한 장면에서 핵심 기술입니다.

모델 및 도구

시맨틱 분할은 종종 딥 러닝 모델, 특히 CNN(Convolutional Neural Networks)에서 파생된 아키텍처를 사용합니다.

• 아키텍처: 인기 있는 초기 아키텍처로는 분류 네트워크에서 완전 연결 레이어를 컨볼루션 레이어로 대체하여 공간 맵을 출력하는 완전 컨볼루션 네트워크(FCN)와 스킵 연결이 있는 인코더-디코더 구조를 사용하여 생물 의학 이미지 분석에 특히 효과적인 U-Net이 있습니다. 다른 영향력 있는 아키텍처로는 atrous(또는 dilated) 컨볼루션을 사용하여 특징 맵의 해상도를 제어하는 DeepLab이 있습니다.
• 최신 모델: 최첨단 모델(예: Ultralytics YOLO11)은 다양한 세분화 작업에 대한 강력한 기능도 제공하여 실시간 추론이 필요한 애플리케이션의 속도와 정확도 간의 균형을 유지합니다.
• 학습 플랫폼: Ultralytics HUB와 같은 도구는 널리 사용되는 COCO Segmentation 데이터 세트와 같은 데이터 세트를 관리하고, 사용자 정의 모델을 학습하고, 모델 배포 옵션을 탐색할 수 있는 플랫폼을 제공합니다.
• 프레임워크: 개발은 종종 PyTorch 및 TensorFlow와 같은 널리 사용되는 프레임워크를 활용합니다. 데이터 증강과 같은 기술은 모델의 견고성과 일반화 성능을 향상시키는 데 일반적으로 사용됩니다. OpenCV 및 scikit-image와 같은 오픈 소스 라이브러리도 분할 워크플로를 보완하는 이미지 처리 및 분석 도구를 제공합니다.

실제 애플리케이션

시맨틱 분할이 제공하는 자세한 장면 이해는 많은 분야에서 매우 중요합니다.

• 자율 주행 차량: 자율 주행 자동차가 안전하게 탐색하려면 주변 환경을 완전히 이해해야 합니다. 시맨틱 분할은 주행 가능 영역(도로), 주행 불가능 영역(인도, 건물) 및 보행자, 자전거 타는 사람 및 기타 차량의 위치를 픽셀 수준의 정밀도로 식별하는 데 사용됩니다. 이를 통해 보다 안전한 경로 계획 및 의사 결정을 내릴 수 있습니다. 자율 주행 차량에서 AI의 역할에 대해 자세히 알아볼 수 있습니다.
• 의료 영상 분석: 의학에서는 정확성이 가장 중요합니다. 시맨틱 분할은 MRI 및 CT 스캔과 같은 스캔에서 장기, 종양, 병변 및 기타 해부학적 구조를 자동으로 묘사하는 데 도움이 됩니다. 이는 방사선 전문의의 진단, 치료 계획 및 질병 진행 모니터링을 지원합니다. 의료 영상에 AI가 적용되는 방법에 대해 자세히 알아보세요.
• 위성 이미지 분석: 지리 공간 애플리케이션의 경우 시맨틱 분할은 위성 이미지에서 토지 피복을 분류하는 데 사용됩니다. 이는 도시 계획(건물, 도로 및 녹지 공간 식별), 환경 모니터링(삼림 벌채 또는 수역 추적) 및 정밀 농업에 사용될 수 있습니다.
• 로봇 공학: 로봇은 시맨틱 분할을 사용하여 작동 환경을 이해하고 바닥, 벽, 상호 작용할 객체 및 피해야 할 장애물을 구별할 수 있습니다. 이는 창고나 가정과 같은 복잡한 환경에서 탐색 및 조작 작업에 필수적입니다. 로봇 공학에서 컴퓨터 비전 통합에 대해 자세히 알아보십시오.

다른 작업과의 주요 차이점

시맨틱 세분화를 관련 컴퓨터 비전 작업과 구별하는 것이 중요합니다.

• 인스턴스 분할(Instance Segmentation): 이는 가장 밀접하게 관련된 작업입니다. 둘 다 픽셀 수준 분류를 수행하지만 인스턴스 분할은 동일한 객체 클래스의 개별 인스턴스를 구별하여 한 단계 더 나아갑니다. 예를 들어 자동차가 3대 있는 이미지에서 시맨틱 분할은 모든 자동차 픽셀에 단순히 "자동차"라는 레이블을 지정합니다. 이와는 대조적으로 인스턴스 분할은 "자동차 1", "자동차 2" 및 "자동차 3"을 별도의 객체로 식별합니다.
• 객체 탐지(Object Detection): 이 작업은 이미지 내에서 객체의 존재와 위치를 식별하기 위해 각 객체 주위에 바운딩 박스(bounding box)를 그리고 클래스 레이블을 할당합니다. 객체의 모양이나 어떤 픽셀이 객체에 속하는지에 대한 정보는 제공하지 않습니다.
• 전체 영역 분할(Panoptic Segmentation): 이 작업은 시맨틱 분할과 인스턴스 분할의 통합으로 볼 수 있습니다. 시맨틱 분할과 같이 모든 픽셀에 클래스 레이블을 할당하는 동시에 인스턴스 분할과 같이 각 객체 인스턴스를 고유하게 식별하여 포괄적인 장면 이해를 제공하는 것을 목표로 합니다.