뇌파 기반 시각 객체 인식 시스템: 파동 스파이크와 예측 코딩의 통합 프레임워크

초록

본 논문은 V1‑V4‑IT 3단계 계층 구조를 모사한 시각 객체 인식 모델을 제안한다. Gabor 필터로 V1을 구현하고, 성장형 자기조직화 지도(gSOM)와 RBF 유닛을 이용해 V4에서 복합 특징을 추출한다. 특징‑응답 맵을 시간에 따라 파동 형태의 스파이크 시퀀스로 전송하고, 상하위 연결을 통해 예측 코딩을 수행한다. 새로운 특징과 객체는 지속적인 학습으로 성장·소멸하며, 시스템은 점진적으로 구조와 연결을 재구성한다.

상세 분석

이 연구는 생물학적 시각 피질의 구조적·기능적 특성을 정밀히 모사하려는 시도이다. 첫 번째 계층인 V1은 네 가지 방향(0°, 45°, 90°, 135°)의 Gabor 필터를 사용해 원시 에지 정보를 추출하고, 상호 억제 메커니즘을 통해 각 위치에서 가장 강한 방향을 선택한다. 이렇게 얻어진 통합 방향 맵(IOM)은 V4의 세 가지 신경 유형에 전달된다. V4‑INT(통합) 뉴런은 IOM을 집계하고, 성장형 SOM(gSOM) 네트워크가 3×3 크기의 국소 패치를 입력으로 받아 서로 충분히 거리(유클리드) 차이가 큰 특징을 프로토타입으로 저장한다. 각 프로토타입은 RBF 유닛의 중심이 되며, β 파라미터는 특징 공간의 평균 거리(dist_V4)의 1/10을 분산으로 설정해 응답 폭을 조절한다. 이렇게 형성된 V4‑RBF 네트워크는 입력 이미지 전체에 걸쳐 가장 적합한 프로토타입을 매핑해 Feature Map을 만들고, 해당 프로토타입과의 유사도에 따라 Response Map을 생성한다.

핵심적인 혁신은 “스파이크 파동” 개념이다. 뉴런의 반응 강도가 1에 가까울수록 발화 지연이 짧아지므로, 가장 높은 활성도를 가진 뉴런들의 스파이크가 최초 파동을 형성한다. 이후 점차 낮은 활성도를 가진 뉴런들이 순차적으로 발화하면서 시간축상에 파동이 전파된다. 이 메커니즘은 입력 정보를 연속적인 시간 스트림으로 변환해, 상위 IT 계층에 단계별로 전달한다.

IT 계층에서도 gSOM이 객체를 저장하고, RBF 유닛이 저장된 객체와 현재 입력 Feature Map 사이의 거리(dist_IT)를 기반으로 유사도를 계산한다. β_IT는 dist_IT의 역수로 정의되어, 객체 간 구분도를 자동 조정한다. 예측 코딩은 초기 파동이 전달된 후, IT‑RBF의 최고 응답을 가설 객체로 설정하고, 이후 파동이 도착할 때마다 가설을 검증·수정한다. 가설과 실제 입력 사이의 차이가 사전 정의된 임계값 α(0.67) 이하이면 인식이 확정된다.

학습 메커니즘은 성장형 SOM을 이용해 특징과 객체를 지속적으로 추가·삭제한다. 새로운 특징이 충분히 빈번히 등장하면 gSOM에 새로운 뉴런이 생성되고, 반대로 사용 빈도가 낮은 특징은 제거된다. 객체 저장소도 동일한 원리로 갱신되며, 이는 V4‑IT 연결 가중치의 동적 재구성을 초래한다. 따라서 시스템은 초기에는 단순한 특징·객체 집합으로 시작하지만, 경험이 누적될수록 구조적 복잡성과 인식 정확도가 향상된다.

이 모델은 기존의 순방향 피드포워드 네트워크가 갖는 속도·정확도 한계를 극복하고, 뇌에서 관찰되는 상향·하향 상호작용과 스파이크 타이밍 기반 코딩을 동시에 구현한다는 점에서 의미가 크다. 또한, 파동 스파이크와 예측 코딩을 결합함으로써 “빠른 초기 가설 → 점진적 정밀화”라는 인간 시각 인지 과정을 정량적으로 재현한다.