전문가 융합과 신뢰 학습 기반 다층 퍼셉트론을 이용한 음향 이미지 분류

본 논문은 해저 음향 이미지에서 퇴적물 종류를 자동으로 분류하기 위해, 인간 전문가들의 상충된 라벨을 신뢰 함수(베이즈-샤프레) 이론으로 통합하고, 이를 학습 단계에 반영한 다층 퍼셉트론(MLP) 모델을 제안한다. 서론에서는 해저 이미지가 갖는 잡음, 다중 경로 반사, 스펙클, 생물·식물 등 다양한 불확실성 요인을 언급하고, 전문가마다 다른 해석과 확신도가 존재함을 강조한다. 이러한 상황에서 단일 라벨을 사용하는 전통적인 지도학습은 현실을 제대로 반영하지 못한다는 문제 제기가 이루어진다. 이후 신뢰 함수 이론의 기본 개념을 정리한다. 판별 공간 Θ={A,B,C,D,E,F,G} (각각 암석, 모래, 자갈, 실트, 파동, 그림자, 기타) 를 정의하고, 기본 신뢰 할당(bba) m을 2^Θ의 부분집합에 매핑한다. 신뢰도(bel), 가능도(pl), 피그니스틱 확률(betP) 등 세 가지 평가 함수와 결합 규칙(콘주넥티브, 듀보아-프라드, PCR 등)을 소개한다. 특히 PCR 규칙은 충돌 질량을 해당 부분집합에 비례적으로 재분배함으로써 전문가 간 의견 차이를 완화한다. 전문가 융합 절차에서는 각 전문가가 타일 X에 대해 제시한 퇴적물 비율(p_A, p_B, …)과 확신도(c_A, c_B, …)를 곱해 m(A)=p_A·c_A 등으로 질량을 계산한다(식 10, 17). 세 명의 전문가가 만든 라벨을 위 규칙에 따라 결합하면, 최종 질량 m(·)와 전체 충돌 m(∅)=0.2432가 도출된다. 이 ‘현실’ 라벨은 이후 학습 데이터셋의 목표값으로 사용된다. MLP 구조는 입력층에 n개의 피처(x₁…x_n)를, 은닉층에 다수의 뉴런을, 출력층에 |Θ|개의 뉴런을 배치한다. 각 출력 뉴런은 해당 클래스에 대한 신뢰 질량을 예측하도록 학습된다. 손실 함수는 평균제곱오차 ε=½∑(d_i−s_i)²이며, 여기서 d_i는 목표 신뢰 질량(m_i)이다. 역전파 알고리즘을 통해 가중치 w를 업데이트하고, 출력값을 정규화하면 다시 신뢰 질량 형태가 된다. 최종 결정은 최대 피그니스틱 확률 혹은 신뢰도/가능도 중 하나를 선택한다. 실험에서는 프랑스 해군이 제공한 42장의 Klein 5400 측면 음향 이미지(해저 깊이 15–40 m, 해상도 20–30 cm)와 세 명 전문가가 만든 수동 세그멘테이션을 사용한다. 각 픽셀은 퇴적물 종류와 확신도(확실, 보통, 불확실)로 라벨링되며, 확신도에 따라 가중치(2/3, 1/2, 1/3)를 부여한다. 타일 크기는 64×64 픽셀이며, 각 타일에 대해 위에서 정의한 신뢰 질량을 계산하고, 비정규화 결합 또는 PCR을 적용해 최종 라벨을 만든다. 비교 실험에서는 (1) 전통적인 확률 라벨링 기반 MLP, (2) 신뢰 함수 기반 MLP(비정규화 결합), (3) 신뢰 함수 기반 MLP(PCR) 세 가지 모델을 평가한다. 결과는 전체 정확도, Kappa 계수, 경계 영역 F1 점수 등으로 보고되며, 신뢰 함수 기반 모델이 특히 경계와 불확실도가 높은 영역에서 3~5% 높은 정확도를 보인다. 또한, 충돌 재분배가 적용된 PCR 모델이 비정규화 결합 모델보다 약간 더 안정적인 성능을 나타낸다. 논문의 결론에서는 제안 방법이 전문가 의견의 불확실성과 다중 클래스 존재를 효과적으로 반영함을 강조한다. 향후 연구 방향으로는 (가) 전문가 수가 늘어날 때의 계산 효율성 개선, (나) 가중치 자동 학습을 위한 베이즈 최적화, (다) 보다 깊은 CNN 구조와의 결합, (라) 실시간 해저 탐사 시스템에 적용 가능한 경량 모델 개발 등을 제시한다.