전문가 의견 융합을 통한 이미지 분류 향상

본 연구는 이미지 분류 작업에서 인간 전문가들의 주관적 판단을 체계적으로 융합하는 방법론을 제시한다. 이미지의 기본 단위인 타일(예: 16×16 또는 32×32 픽셀)마다 전문가가 제시하는 라벨은 종종 불확실하고, 하나의 타일에 여러 클래스가 동시에 존재할 수도 있다. 이러한 복합적인 상황을 다루기 위해 저자는 베이즈 이론보다 불확실성을 보다 풍부하게 표현할 수 있는 믿음 함수 이론, 즉 Dempster‑Shafer Theory(DST)와 그 확장인 Dezert‑Smarandache Theory(DSmT)를 채택한다. 먼저, 전문가가 제공하는 정보는 두 가지 차원으로 나뉜다. 첫째는 해당 클래스가 타일에 차지하는 비율(pA, pB 등)이며, 둘째는 전문가가 그 클래스에 대해 갖는 확신도(cA, cB 등)이다. 이 두 변수는 각각 “양”과 “신뢰”를 의미한다. 논문은 이를 바탕으로 다섯 가지 베이시스 베일리프 할당 모델을 설계한다. 1. **Model M1** – 기본 DST 모델. 전문가가 단일 클래스를 제시하면 그 클래스에 확신도 c를 할당하고, 나머지 질량을 A∪B∪C(무지)로 분배한다. 여기서 C는 “두 클래스가 동시에 존재”라는 새로운 초점 원소이며, 전문가가 다중 클래스를 명시했을 때 사용된다. 2. **Model M2** – M1의 무지 집합을 A∪B로 축소한 형태. 무지 질량을 보다 직관적인 두 클래스의 합집합에 할당함으로써 계산 복잡성을 낮춘다. 3. **Model M3** – 클래스 간 배타성을 강제하기 위해 Θ를 A∩Bc, B∩Ac, A∩B(교차) 세 개의 배타적 원소로 재정의한다. 이렇게 하면 DST의 파워셋이 여전히 배타성을 유지하면서도 교차 상황을 표현할 수 있다. 4. **Model M4** – DSmT의 하이퍼파워셋(D^Θ)을 이용해 교집합 연산을 허용한다. 따라서 A와 B가 동시에 존재하는 경우를 별도의 원소로 취급하고, 충돌 질량을 직접 모델링한다. 5. **Model M5** – DST와 DSmT 양쪽 모두에서 적용 가능한 혼합 모델로, 파워셋과 하이퍼파워셋을 동시에 고려한다. 각 모델에 대해 결합 규칙을 적용한다. DST에서는 가장 널리 쓰이는 합동 합성 규칙(Conjunctive Consensus)을 사용해 모든 전문가의 베일리프 할당을 곱셈적으로 결합한다. DSmT에서는 PCR5와 PCR6 같은 충돌 재분배 규칙을 도입한다. PCR5는 충돌 질량을 각 원소의 원래 질량 비율에 따라 재분배함으로써 과도한 불확실성을 완화한다. 논문은 두 전문가의 구체적인 수치 예시(전문가1: A 0.6 확신, 전문가2: A와 B 각각 0.5 비율에 0.6·0.4 확신)를 통해 각 모델·결합 규칙별 결과를 계산한다. 결정 단계에서는 세 가지 전통적인 기준, 즉 신뢰도(bel), 가능도(pl), 피그니스틱 확률(betP)을 사용한다. DSmT에서는 이를 일반화한 신뢰도(Bel), 가능도(Pl), 일반화 피그니스틱 확률(GPT)를 제시한다. 각 기준의 최대값을 선택하는 방식으로 최종 클래스를 결정한다. 실험 결과, M4와 M5는 높은 충돌 상황에서도 의미 있는 결정을 제공했으며, 특히 다중 클래스가 동시에 존재할 가능성이 큰 수중 음향 이미지와 같은 도메인에 적합함을 확인했다. 논문은 또한 모델 선택이 전문가 간 충돌 정도, 클래스 배타성 여부, 그리고 최종 결정에 사용하고자 하는 기준에 따라 달라질 수 있음을 강조한다. 결론적으로, 인간 전문가의 불확실하고 모호한 정보를 체계적으로 정량화하고, DST와 DSmT의 강점을 적절히 활용함으로써 이미지 분류 시스템의 신뢰성을 크게 향상시킬 수 있음을 입증한다.