이미지 회귀를 위한 합성곱 모델 트리

초록

본 논문은 이미지 입력에 대한 회귀 문제를 해결하기 위해, 이미지 차원을 축소하고 하이퍼플레인을 이용해 블록을 분할한 뒤, 하이퍼플레인과 리프 함수에 합성곱을 적용하는 “합성곱 모델 트리(CMT)”와 이를 다수 결합한 포레스트 방식을 제안한다. 하이퍼플레인 계수와 이미지 픽셀 사이의 일대일 대응을 이용해 회전·투시 변환 등 큰 왜곡을 처리할 수 있으며, 이론적으로 연속 미분 가능한 근사 함수를 얻기 위한 가중 평균 기법과 수렴 증명을 제공한다.

상세 분석

본 연구는 기존 회귀용 CNN이 높은 정확도는 제공하지만 해석성이 부족하다는 문제점을 인식하고, 모델 트리의 해석 가능성을 유지하면서도 이미지 왜곡에 강인한 구조를 설계한다. 핵심 아이디어는 이미지 공간을 고차원 하이퍼직사각형(HR)으로 모델링하고, 각 축을 평균·최대값 등으로 풀링해 차원을 크게 감소시킨 뒤, 최소제곱법으로 얻은 회귀 계수 α_i 를 하이퍼플레인의 법선 벡터로 활용한다. 하이퍼플레인은 항상 블록의 중심을 통과하도록 배치되어, 자식 블록이 거의 동일한 샘플 수를 갖도록 보장한다.

특히, 논문은 하이퍼플레인 계수와 리프 함수의 계수를 2차원 격자에 배치하고, 원형 대칭 커널을 이용해 합성곱을 수행함으로써 이미지 자체를 변형하지 않고도 작은 이동·회전 등에 대한 로버스트성을 부여한다. 이때 커널은 자기 자신에 대해 대칭이며, 이미지와 계수 중 하나에만 적용하면 내적이 보존되는 특성을 이용한다. 따라서 학습 후 별도의 이미지 합성곱 연산 없이도 실시간 추론이 가능하다.

블록 분할 전략은 기존 M5, M5prime와 달리 “틸트 제약(tilt constraint)”을 도입한다. 가장 영향력 큰 축 k 를 선택하고, α_k·(x_k−m_k) ≥ τ·∑_{i≠k}|α_i|h_i (0<τ<1) 를 만족하도록 하이퍼플레인의 기울기를 조정한다. 이 제약은 자식 블록의 경계 박스가 부모보다 확실히 축소되도록 보장하며, 축소가 충분히 이루어지면 모든 축이 0에 수렴해 블록이 충분히 작아질 때까지 재귀적으로 분할한다. 따라서 무한히 많은 샘플이 주어질 경우, 지정한 RMS 오차 ε 이하로 수렴한다는 정리를 증명한다.

또한, 여러 개의 CMT를 결합한 포레스트에서는 각 리프 함수에 가중치를 부여해 평균을 취함으로써 전체 출력이 C¹ 연속성을 갖도록 설계한다. 이 가중 평균은 리프의 경계에서 발생할 수 있는 불연속성을 완화하고, 최종 모델이 부드러운 함수 근사치를 제공하도록 만든다.

실험적 검증은 논문에 상세히 제시되지 않았지만, 이론적 프레임워크는 데이터 증강 없이도 회전·투시 변환에 강인한 모델을 생성할 수 있음을 시사한다. 또한, 하이퍼플레인 계수의 합성곱이 학습 후 추가 연산 비용을 발생시키지 않으므로, 임베디드 시스템이나 실시간 응용에 적합한 경량 구조로 활용 가능하다.