시각적 수량 인식의 인간·기계 통합 모델

초록

본 연구는 인간에게 제시된 수량 비교 과제와 동일한 시각 자극을 딥러닝 네트워크에 적용해, 수량 인식이 순수한 숫자 정보와 연속적 특성(밀도·면적) 모두에 의해 좌우된다는 것을 입증한다. 모델은 인간의 발달적 변화와 심리물리학적 곡선을 정확히 재현했으며, 작업 수행 여부와 관계없이 수량과 연속적 특성이 동시에 표현된다는 점을 나타냈다.

상세 분석

이 논문은 인간의 수량 인식 메커니즘과 인공 신경망의 처리 방식을 직접 비교함으로써, “전용 수량 시스템”과 “연속적 특성 기반 추정”이라는 두 이론을 통합한다. 실험에 사용된 자극은 점 집합으로 구성되었으며, 점의 개수(수량)와 함께 평균 점 간 거리, 전체 면적, 밀도 등 네 가지 연속적 특성을 독립적으로 조절할 수 있는 2차원 파라미터 공간을 제공한다. 인간 피험자는 전통적인 2AFC(두 선택지 중 하나 선택) 방식으로 두 자극의 어느 쪽이 더 많은 점을 포함하는지 판단했으며, 반응 정확도와 반응시간을 통해 수량 대비 연속적 특성의 가중치를 추정했다.

딥러닝 측면에서는 ResNet‑18 기반의 컨볼루션 신경망을 채택하고, 사전 학습 없이 무작위 초기화 상태에서 시작해 동일한 자극을 1백만 장 이상 학습시켰다. 네트워크는 최종 출력층에 두 자극 간 수량 차이를 예측하도록 설계되었으며, 손실 함수는 평균제곱오차(MSE)를 사용했다. 학습 과정에서 네트워크는 점의 위치와 밀도 정보를 동시에 추출했으며, 이는 층별 활성화 패턴을 통해 확인되었다. 특히 중간 층에서는 수량에 민감한 뉴런이 등장했지만, 초기 층에서는 점의 전체 면적과 밀도에 반응하는 뉴런이 우세했다.

심리물리학적 분석에서는 인간과 모델 모두 ‘수량 비율(Weber fraction)’이 점점 감소하는 발달적 경향을 보였으며, 초기 학습 단계에서는 연속적 특성(특히 면적)의 영향이 크게 나타났다. 학습이 진행될수록 네트워크는 수량 정보를 보다 효율적으로 추출하게 되었고, 이는 인간의 어린 시절에 비해 성인 단계에서 수량에 대한 민감도가 높아지는 현상과 일치한다.

또한, 저자들은 표현 유사도 분석(Representational Similarity Analysis, RSA)을 수행해, 과제 수행 여부와 무관하게 네트워크 내부에 수량과 연속적 특성 모두가 독립적인 차원으로 코딩된다는 것을 입증했다. RSA 결과는 초기 층에서 연속적 특성 간 상관관계가 높았고, 깊은 층으로 갈수록 수량과 연속적 특성 간의 상관이 감소하면서 수량 전용 표현이 점차 강화되는 구조적 변화를 보여준다. 이러한 결과는 인간 뇌의 시각 피질에서도 유사한 계층적 처리 구조가 존재한다는 기존 신경생리학적 보고와 일맥상통한다.

결론적으로, 이 연구는 인간과 기계 모두가 수량 인식을 위해 연속적 특성을 보조적으로 활용하지만, 발달·학습 과정에서 수량 전용 메커니즘이 점진적으로 우세해진다는 통합 모델을 제시한다. 이는 수량 인식이 전용 모듈과 일반 시각 처리 메커니즘이 상호작용하는 복합 현상임을 뒷받침한다.