딥러닝으로 보는 실내 공간 가독성 정량화

초록

본 논문은 딥 컨볼루션 신경망(DCNN)을 활용해 실내 공간, 특히 기차역의 가독성을 정량적으로 측정하는 파이프라인을 제시한다. 데이터 수집·전처리·모델 학습·가독성 분석까지 일련의 과정을 자동화했으며, 전체 정확도 98%를 달성했다. 공간별 정확도 차이는 가독성 차이를 반영한다. Amazon Mechanical Turk를 통한 4,015건의 인간 설문 결과와 모델 예측이 유사한 패턴을 보이며, 건축 프로그램, 건물 연령·스타일 등에 따른 시각적 군집 및 설명 가능성을 제공한다.

상세 분석

이 연구는 실내 환경의 가독성을 정량화하기 위해 인간 시각 체계와 구조적으로 유사한 딥 컨볼루션 신경망(DCNN)을 선택한 점이 핵심이다. 먼저, 기차역 내부의 360도 파노라마 이미지와 메타데이터(공간 명칭, 건축 연도, 프로그램 등)를 자동으로 수집하고, 이미지 정규화·라벨링 과정을 거쳐 대규모 학습 데이터셋을 구축하였다. 모델은 ResNet‑50 기반 아키텍처에 사전 학습된 가중치를 초기화하고, 각 공간을 클래스로 정의해 다중 클래스 분류 문제로 전환하였다. 학습 단계에서는 데이터 증강(회전, 색상 변형)과 클래스 불균형 보정을 위해 가중치 조정을 적용했으며, 최적화는 Adam 옵티마이저와 단계적 학습률 감소 전략을 사용했다. 결과적으로 전체 데이터셋에 대해 Top‑1 정확도 98%를 기록했지만, 특정 구역(예: 복합 상업 구역)에서는 85% 수준으로 낮아, 해당 구역의 시각적 특징이 혼재하거나 구분이 어려워 가독성이 낮음을 시사한다.

모델의 신뢰성을 검증하기 위해 Amazon Mechanical Turk에서 4,015명의 참여자를 대상으로 동일 이미지에 대한 공간 인식 설문을 진행했다. 인간 응답의 정확도 분포와 DCNN의 예측 정확도가 높은 상관관계를 보였으며, 특히 인간이 혼동한 구역에서 모델도 동일한 오류를 범한 점은 모델이 인간 시각적 판단을 효과적으로 모사함을 뒷받침한다.

가독성 해석을 위해 Grad‑CAM과 같은 시각화 기법을 적용, 각 공간에서 모델이 주목하는 시각적 요소를 추출했다. 이를 통해 오래된 역사적 구역은 고유한 구조적 라인과 재료 질감에, 현대적 상업 구역은 표지판·광원 등 기능적 요소에 의존한다는 결론을 도출했다. 또한, t‑SNE 기반 임베딩을 활용해 공간 간 시각적 군집을 시각화했으며, 건축 프로그램(플랫폼, 매표소, 상업시설)과 건물 연령·스타일이 군집 형성에 미치는 영향을 정량적으로 분석했다. 이러한 다층적 분석은 설계 단계에서 가독성을 향상시킬 디자인 가이드라인을 제시하는 데 실용적 가치를 제공한다.