역사 문서 폰트 식별을 위한 능동 학습 전략

초록

본 논문은 역사 문서의 로마체, 흑서체, 혼합체 등 폰트를 자동으로 구분하기 위해 이미지 기반 특징을 추출하고 페이지 단위의 bag‑of‑word 표현으로 변환한다. 6가지 샘플링 전략(불확실성, 이질성, 다양성 기반)을 능동 학습에 적용해 3,000여 장의 문서 데이터셋에서 실험했으며, 불확실성‑다양성 결합 전략이 라벨링 비용을 17%로 낮추면서 89% 정확도를 달성함을 보였다. 대규모 디지털화 프로젝트에서 OCR 성능 향상과 라벨링 효율성을 동시에 제공한다는 점이 핵심 시사점이다.

상세 분석

본 연구는 역사 문서 디지털화 과정에서 OCR 정확도를 높이기 위한 전처리 단계로 폰트 식별을 목표로 한다. 저자는 먼저 단어 수준에서 폰트 간 기하학적 차이를 포착할 수 있는 이미지 기반 특징을 설계하였다. 구체적으로, 스트로크 두께, 곡선/직선 비율, 문자 간 간격, 획의 종단 형태 등을 정량화한 12개의 저차원 피처를 추출하고, 이를 각 단어에 대한 로컬 디스크립터로 활용한다. 이후 페이지 전체를 bag‑of‑word(BOW) 방식으로 집계하여 고차원 희소 벡터를 만든다. 이 BOW 표현은 페이지 내 폰트 혼합 정도를 자연스럽게 반영하며, 전통적인 텍스트 기반 피처와 달리 시각적 정보를 보존한다는 장점이 있다.

능동 학습 측면에서는 라벨링 비용을 최소화하기 위해 6가지 샘플링 전략을 비교하였다. (1) 불확실성 기반: 현재 모델이 가장 낮은 확신을 보이는 페이지를 선택, (2) 이질성 기반: 기존 라벨된 샘플과 가장 거리가 먼 페이지를 선택, (3) 다양성 기반: 클러스터 중심에서 멀리 떨어진 샘플을 선택, (4) 불확실성‑이질성 복합, (5) 불확실성‑다양성 복합, (6) 무작위 샘플링을 대조군으로 설정했다. 실험 결과, 불확실성‑다양성 복합 전략이 라벨링 비율 17%에서 89%의 테스트 정확도를 달성했으며, 이는 순수 불확실성(≈82%)이나 다양성(≈78%)보다 현저히 우수했다. 특히, 초기 학습 단계에서 다양성을 강조함으로써 클래스 불균형 문제를 완화하고, 이후 불확실성을 중심으로 미세 조정하는 단계적 접근이 효과적이었다는 점이 주목할 만하다.

데이터셋은 3,000여 장의 고해상도 스캔 이미지로 구성되었으며, 각 페이지는 Blackletter, Roman, Mixed 세 클래스로 라벨링되었다. 라벨링은 전문 인력에 의해 수작업으로 수행되었고, 전체 데이터 중 20%만을 테스트 셋으로 분리하였다. 모델은 선형 SVM과 Random Forest를 후보로 사용했으며, 최종적으로는 선형 SVM이 BOW 피처와 가장 잘 맞아 높은 정확도를 보였다. 교차 검증을 통해 과적합을 방지하고, 각 샘플링 전략별 라벨링 비용 대비 성능 곡선을 제시함으로써 실용적인 가이드라인을 제공한다.

결론적으로, 이 연구는 이미지 기반 로컬 피처와 페이지 수준 BOW 결합이 폰트 식별에 강력한 표현력을 제공함을 입증하고, 능동 학습을 통해 라벨링 비용을 크게 절감할 수 있음을 실증했다. 향후 작업으로는 딥러닝 기반 피처 추출기와의 비교, 다중 폰트 혼합 비율 추정, 그리고 실제 OCR 파이프라인에 통합하여 전체 인식 정확도를 향상시키는 방안을 제시한다.