임베디드 시스템에서 초분광 이미지 전처리를 위한 효율적인 밴드 선택 기법

Abstract

초분광 이미징 기술은 연속적인 스펙트럼 필터의 결과로 수백 개의 분광 채널(밴드)을 영상정보로 도출하는 기술이다. 원격탐사의 활용 시초로 기존 10개 미만의 스펙트럼 밴드 다분광 센서가 장치 소형화 및 분석 기술 발달에 따라, 현재는 100~200개 정도의 스펙트럼 밴드로 확장되었다. 또한 환경, 국방, 의료, 식품, 머신 비전 등 다양한 분야에 활용되고 있다. 본 연구를 통해 대상 물체에 대한 고유한 분광 반사 특성을 이용하여 화소 구성 비율을 분석하는 분광 혼합분석(Spectral Unmixing) 방식 중 차원 감소(Dimension Reduction) 방식을 사용한다. 차원 감소 방식의 밴드 선택 알고리즘을 개선해 신경망(Neural Network) 인풋으로 모델 학습한다. 학습된 모델을 가지고, 임베디드 시스템(Embedded System)에서 제안 밴드 선택 알고리즘 적용 여부에 따른 전력 소모를 비교하며, 전력 소모를 최소화하는 개선 및 성능 감소 최소화를 목적으로 한다. 특정 정보 추출을 위해, 미가공 데이터를 각 밴드별 최댓값과 최솟값 차이로 이산적인 값을 생성해 부분집합으로 군집화한다. 분류된 부분집합에서 밴드 선택 알고리즘을 적용한다. 차원 감소 방식은 크게 특징(밴드) 추출과 특징(밴드) 선택으로 나뉘며, 그중에 특징 선택 기법을 적용하여, 파장 범위와 관계없이 데이터 세트에 따른 딥러닝, 머신러닝 분석을 위한 최소 밴드 수와 밴드 선택 알고리즘 적용 소요 시간과 성능을 향상하고자 한다. 이 실험을 통해 기존 밴드 선택 기법보다 약 77~92% 크게 소요 시간을 단축했음에도 불구하고 분류기를 통한 성능 정확도 감소 폭이 적은 의미 있는 결과를 도출하였다. 더 나아가 세그멘테이션(Segmentation) 모델 중 UNet에 제안 알고리즘 적용하고, 사후 학습 양자화 기법(Post-training Quantization)으로 입력 데이터 비트를 변환한다. 모델 첫 인풋 데이터 타입과 Contracting Path에서 Expansive Path으로 인풋으로 들어가는 skip connection의 데이터 타입을 Float64에서 Float16으로 스케일링한다. 결과적으로, 모델 크기를 약 12MB에서 2MB로 경량화하여, 모델 크기 83% 감소와 모델 추론 성능까지 다시 5~6% 올리는 실험을 진행했다. 또한, 본 논문에서 제안한 밴드 선택 알고리즘이 적용된 모델이 픽셀별 밴드에 따른 클래스 분포가 넓을수록 경량화에 따른 성능 향상 정도가 높아지는 것을 확인했다.