야생동물 객체 탐지를 위한 ResNet‑101과 Inception v3 성능 비교 연구

초록

본 연구는 동일한 전처리 파이프라인과 70:30 학습‑검증 분할을 적용하여, ResNet‑101과 Inception v3 두 CNN 모델을 야생동물 이미지 데이터셋에 학습시킨 뒤 분류 정확도와 mAP를 기준으로 비교한다. ResNet‑101은 94 % 정확도와 0.91 mAP, Inception v3는 95 % 정확도와 0.92 mAP를 기록했으며, 두 모델 모두 조명·폐색·유사종 식별에서 한계를 보였다.

상세 분석

본 논문은 야생동물 객체 탐지라는 실용적 문제에 두 대표적인 딥러닝 백본을 직접 비교함으로써, 모델 선택 시 고려해야 할 핵심 요소들을 명확히 제시한다. 먼저 데이터 전처리 단계에서 모든 이미지를 최대 긴 변 800 픽셀로 리사이즈하고 RGB로 변환한 뒤 PyTorch 텐서로 변환하는 일관된 파이프라인을 구축하였다. 이는 메모리 효율성을 유지하면서도 해상도 손실을 최소화해, 특히 작은 동물이나 배경과 유사한 색상을 가진 객체의 검출에 유리하도록 설계되었다.

ResNet‑101은 101개의 레이어와 잔차 연결을 통해 깊은 계층 구조에서의 그래디언트 소실을 방지한다. 이러한 설계는 복잡한 배경과 다중 객체가 혼재하는 이미지에서 고수준 의미 정보를 효과적으로 추출하게 하며, 실험 결과 큰 동물이나 명확히 구분되는 객체에 대해 높은 정밀도를 보였다. 반면 Inception v3는 다양한 커널 크기를 병렬로 적용하는 Inception 모듈과 factorized convolution, 보조 분류기 등을 활용해 멀티스케일 특징을 동시에 학습한다. 이로 인해 작은 객체나 다양한 크기의 동물에 대한 감도가 향상되어 전체 mAP와 정확도에서 ResNet‑101을 약간 앞선 결과를 얻었다.

학습 설정은 Adam 옵티마이저(learning rate = 0.01), 배치 크기 32, 최대 50 epoch, 조기 종료(Early Stopping) 전략을 동일하게 적용하였다. 동일한 하이퍼파라미터 하에서 두 모델을 비교함으로써 아키텍처 자체가 성능 차이를 만든다는 점을 강조한다. 평가 지표는 전체 정확도 외에도 클래스별 precision, recall, F1‑score, 그리고 혼동 행렬을 제시해 오류 유형을 정량화하였다. 결과적으로 두 모델 모두 조명 부족, 잎사귀에 의한 폐색, 색상·패턴이 유사한 종 간 구분에서 높은 오탐률을 보였으며, 이는 데이터 불균형과 추가적인 데이터 증강 기법이 필요함을 시사한다.

또한 논문은 기존 연구와의 비교를 통해, ResNet‑50 기반 모델이 92 % 정확도·0.88 mAP를 기록한 것에 비해 본 연구의 ResNet‑101이 2 %p 정도 향상된 점을 강조한다. Inception v3 역시 멀티스케일 구조 덕분에 최신 연구 수준을 유지한다는 점에서 실용적 가치가 크다. 한계점으로는 70:30 대신 80:20 비율을 사용한 점, 데이터셋 규모와 종 다양성에 대한 상세 통계 부재, 그리고 앙상블이나 전이 학습 등 추가적인 모델 개선 방안을 탐색하지 않은 점을 들 수 있다.

요약하면, 깊이와 잔차 학습이 강점인 ResNet‑101은 복잡한 배경에서 안정적인 성능을 제공하고, 멀티스케일 특성 추출이 효율적인 Inception v3는 작은 객체와 다양한 크기의 동물에 대해 약간 더 높은 정확도를 달성한다. 두 모델 모두 실제 보전 현장에서 적용 가능하지만, 조명·폐색·유사종 문제를 해결하기 위해서는 데이터 증강, 클래스 균형 조정, 혹은 모델 앙상블과 같은 추가적인 전략이 필요하다.