이미지 분할 (Image Segmentation)
쉽게 풀면
사진 속에 "사람이 있다"는 것을 아는 것과, 사진 속 어느 픽셀까지가 정확히 그 사람의 몸인지 윤곽을 따라 오려내는 것은 다른 수준의 작업입니다. 단순히 "이 사진에 사람이 있는지 없는지"를 맞히는 것을 분류(classification)라 하고, "사람이 어디 있는지 네모 박스로 표시"하는 것을 객체 탐지(object detection)라 한다면, 이미지 분할은 한 걸음 더 나아가 사람의 몸에 해당하는 픽셀 하나하나를 배경이나 다른 물체와 구분해 정교하게 오려내는 작업입니다. 의료 영상에서 종양의 정확한 경계를 표시하거나, 자율주행차가 도로와 인도, 보행자를 픽셀 단위로 구분할 때 이 기술이 사용됩니다.
왜 중요한가
이미지 분할은 의료 영상 진단, 자율주행, 위성영상 분석, 로봇 비전 등 픽셀 단위의 정밀한 이해가 필요한 거의 모든 응용 분야의 기반 기술입니다. 특히 의료 영상에서는 종양이나 장기의 경계를 정확히 표시하는 일이 진단과 치료 계획 수립에 직접적인 영향을 미치기 때문에, 관련 논문에서 분할 성능 향상은 지속적으로 중요한 연구주제로 다뤄집니다. 컴퓨터 비전 분야에서는 새로운 신경망 구조나 학습 방법을 검증하는 대표적인 벤치마크 과제로도 널리 쓰입니다.
논문에서는 이렇게 쓰입니다
이 문장은 MRI 영상을 입력받아 종양에 해당하는 픽셀들을 정확히 골라내는 모델을 만들었고, 그 정확도를 Dice 계수라는 지표로 평가했다는 의미입니다.
원격탐사 분야에서 위성영상을 여러 토지피복 범주로 나누는 데 이미지 분할이 활용된 예문이다.
조금 더 깊게 보면
이미지 분할은 세부적으로 같은 종류의 물체를 하나로 묶어 구분하는 의미론적 분할(semantic segmentation)과, 같은 종류라도 개별 객체를 서로 구분하는 인스턴스 분할(instance segmentation)로 나뉩니다. 성능 평가에는 예측 영역과 정답 영역이 얼마나 겹치는지를 나타내는 Dice 계수나 IoU(Intersection over Union) 같은 지표가 흔히 쓰입니다. U-Net처럼 인코더-디코더 구조를 사용하는 모델이 오랫동안 표준으로 쓰여왔으며, 최근에는 트랜스포머 기반 구조를 결합한 모델들도 활발히 연구되고 있습니다.
주의할 점
이미지 분할은 사진 전체에 대한 하나의 정답(분류)을 내는 것이 아니라 픽셀 하나하나에 대한 판단을 요구하기 때문에, 일반적인 분류 문제보다 학습 데이터를 만드는 비용(픽셀 단위로 정답을 표시해야 함)이 훨씬 크다는 점에 유의해야 합니다. 이 기술은 합성곱 신경망 구조를 기반으로 발전해 왔습니다.