물체인식 (Object Recognition)

한 줄 정의: 영상이나 센서 데이터로부터 물체의 범주(클래스)를 식별하는 기술로, 검출된 물체가 무엇인지 분류하는 과정을 포함한다.

쉽게 풀면

카메라에 찍힌 물건을 보고 '이것은 사과다', '저것은 컵이다'라고 이름을 알아맞히는 기술입니다.

왜 중요한가

감지된 물체가 무엇인지 종류나 개체를 식별하는 능력으로, 로봇이 지시받은 물체를 골라 잡거나 의미론적 지도를 만들기 위한 기본 기능입니다. 특징점 기반 방법에서 심층학습 기반 분류로 전환되며 정확도가 크게 올랐습니다. 동일한 종류의 물체라도 브랜드나 색상 같은 세부 속성까지 구분해야 하는 소매 매장 재고 관리 로봇에서는, 범주 수준을 넘어서는 세밀한 물체인식 능력이 요구된다.

논문에서는 이렇게 쓰입니다

물체 인식은 입력 이미지의 특징 표현을 학습된 클래스 분포에 매핑하여 가장 확률이 높은 범주 레이블을 출력하는 분류 문제이다.

영상에서 뽑아낸 특징을 미리 학습해둔 여러 물체 종류 중 가장 비슷한 것과 비교해 정답 이름표를 붙인다는 의미입니다.

"합성곱신경망 기반 물체 인식기는 조명과 시점 변화가 큰 실내 환경에서도 기존 특징점 기반 방법보다 높은 분류 정확도를 보였다."

딥러닝 방식이 빛의 방향이나 보는 각도가 달라져도 사람이 만든 특징을 쓰는 옛 방식보다 물체를 더 정확히 알아맞혔다는 뜻이다.

조금 더 깊게 보면

물체 검출이 어디에 무엇이 있는지 찾는 것이라면 인식은 무엇인지 판별하는 데 초점이 있으나, 실제 문헌에서는 두 용어가 자주 섞여 쓰입니다. 같은 종류지만 다른 개체를 구분하는 개체 수준 인식과 종류 수준 인식은 다른 문제이며, 로봇 조작에서는 인식 결과의 신뢰도를 판단해 불확실할 때 다시 보거나 사람에게 묻는 처리가 필요합니다. 합성곱신경망 기반 인식기는 영상에서 저수준의 모서리·질감부터 고수준의 물체 부분까지 계층적으로 특징을 학습하는 반면, 과거의 특징점 기반 방법은 사람이 직접 설계한 특징(코너, 그래디언트 패턴 등)에 의존해 조명이나 시점 변화에 훨씬 취약했다. 같은 범주 안에서도 개별 개체를 구분해야 하는 개체 수준 인식은 얼굴 인식이나 특정 제품 식별처럼 범주 인식보다 훨씬 정교한 특징 비교를 필요로 한다.

주의할 점

인식과 검출은 종종 혼동되는데, 인식은 '무엇인지'만 판단하고 검출은 '어디에 있는지'까지 함께 알아낸다는 점에서 다릅니다. 인식 결과의 확신도(확률값)가 낮은 애매한 경우를 그대로 확정된 답으로 사용하면, 이후 로봇의 조작 판단에 잘못된 정보가 그대로 전파될 위험이 있다.