다중 클래스 이미지 분류를 위한 SVM 전략 비교: 1대1 vs 1대전체

초록

본 논문은 원격 탐사 이미지에서 토지 피복을 분류하기 위해 서포트 벡터 머신(SVM)의 두 가지 다중 클래스 확장 기법, One‑Against‑One(1A1)과 One‑Against‑All(1AA)을 실험적으로 비교한다. 2001년 Landsat 데이터를 사용해 선형, 다항, 2차, RBF 커널을 적용했으며, 미분류·혼합 픽셀 수와 전체 정확도(Kappa) 차이를 평가한다. 결과는 1AA가 미분류·혼합 픽셀을 더 많이 생성하지만, 두 방법 간 정확도 차이는 통계적으로 유의하지 않으며, 최종 선택은 데이터 특성과 연구자 선호에 달렸다.

상세 분석

본 연구는 SVM이 본질적으로 이진 분류기라는 점에 착안해, 다중 클래스 문제를 해결하기 위한 두 전통적 전략인 One‑Against‑One(1A1)과 One‑Against‑All(1AA)의 실제 적용 효과를 정량적으로 검증한다. 1AA는 N개의 클래스를 각각 “해당 클래스 vs 나머지” 형태의 N개의 이진 분류기로 변환한다. 이 방식은 구현이 간단하고 학습 시간은 비교적 짧지만, 클래스 불균형에 취약하고 각 클래스에 대한 결정 경계가 서로 겹칠 경우 미분류(unclassified) 혹은 혼합(mixed) 픽셀이 발생한다는 단점이 있다. 반면 1A1은 모든 클래스 쌍에 대해 N(N‑1)/2개의 이진 분류기를 구축하고, 테스트 샘플에 대해 다수결 투표를 수행한다. 이 접근법은 각 쌍별 경계가 독립적으로 최적화되므로 클래스 간 경계가 명확히 구분되는 경우가 많아 미분류·혼합 픽셀 발생률이 낮다. 그러나 학습 및 예측 단계에서 필요한 SVM 모델 수가 급증해 계산 비용이 크게 늘어난다.

실험에서는 우간다의 나일강 상류 지역을 대상으로 Landsat 7의 6개 광학 밴드(b1‑b5, b7)를 사용했으며, 토지 피복 클래스로 물, 식생, 건축 영역을 정의하였다. 데이터 전처리는 IDRISI Andes에서 수행하고, MATLAB 7 환경에서 SVM 학습 및 분류를 진행하였다. 커널 종류는 선형, 다항(차수 2), 2차(Quadratic), 방사형 기저 함수(RBF) 네 가지를 적용했으며, 각 커널마다 1A1과 1AA 두 방식으로 분류를 수행하였다.

결과 분석은 네 가지 지표를 중심으로 이루어졌다. 첫째, 미분류 픽셀 수는 1AA에서 현저히 높았다. 예를 들어 선형 커널의 경우 1A1에서는 16개의 미분류 픽셀에 불과했지만, 1AA에서는 700개가 발생했다. 둘째, 혼합 픽셀(두 개 이상의 클래스로 동시에 할당된 픽셀) 역시 1AA에서만 나타났으며, 특히 선형·다항·2차 커널에서 수천 개에 달했다. 셋째, 전체 정확도는 Kappa 통계량으로 평가했으며, 모든 경우에서 0.88 이상으로 매우 높은 일치도를 보였다. 1A1과 1AA 간 Kappa 차이는 |Z| 값이 1.96 이하였으므로 95% 신뢰수준에서 유의미한 차이가 없었다. 넷째, 시각적 결과물(지도)에서도 1A1이 더 깔끔하고 연속적인 토지 피복 구역을 제공했으며, 1AA는 검은색(미분류)과 빨간색(혼합) 영역이 산재해 해석에 추가적인 후처리 작업이 필요했다.

이러한 실험 결과는 두 전략이 정확도 면에서는 거의 동등하지만, 결과 해석의 편의성, 계산 비용, 데이터 불균형 정도에 따라 선택이 달라질 수 있음을 시사한다. 특히 대규모 고해상도 이미지에서 1A1의 계산 부담이 크게 증가할 수 있으므로, 충분한 컴퓨팅 자원이 확보되지 않은 경우 1AA를 선택하고, 미분류·혼합 픽셀을 사후 처리하는 방안을 고려할 수 있다. 반대로, 정밀한 토지 피복 경계가 요구되는 연구에서는 계산 비용을 감수하고라도 1A1을 적용하는 것이 바람직하다.