곤충 시각 시스템을 모방한 신경형태학적 자연 이미지 처리 모델

초록

본 논문은 곤충의 시각 경로를 단계별로 모사한 인공·스파이킹 신경망을 제안한다. 컨트라스트 기반 자기지도 학습으로 훈련된 모델은 레티나·라미나·메디울라·로불라·시각 투사 뉴런을 거쳐 케니온 세포(KC) 수준의 5 % 수준의 희소 코드를 생성한다. 꽃 인식 및 자연 이미지 벤치마크, 로컬라이제이션 시뮬레이션에서 기존 다운샘플링 대비 우수한 성능을 보이며, 생물학적 희소성 및 홈오스테이시스 메커니즘을 구현한다.

상세 분석

이 연구는 곤충 시각계의 구조적·기능적 특징을 딥러닝 프레임워크에 통합한 점에서 혁신적이다. 입력 영상은 먼저 2D 컨볼루션 레이어와 활성‑정규화 블록(BAN)으로 구성된 ‘레티나’ 모듈을 통과한다. 여기서 LeakyReLU와 로컬 응답 정규화(LocalResponseNorm) 및 그룹 정규화(GroupNorm)를 결합해 생물학적 억제와 전역 홈오스테이시스를 모방한다. 레티나 출력은 양·음 대비를 위해 원본과 부호 반전 버전을 연결(concatenation)함으로써 라미나의 양·음 경로를 재현한다. 라미나 이후 메디울라에서는 색채(청·녹)와 무채색 흐름을 병렬 처리하고, 로불라에서는 고차원 특징을 정제한다. 특히 시각 투사 뉴런(VPN) 단계에서 전·후·측면 광로를 별도로 처리해 다양한 공간‑주파수 정보를 보존한다는 설계는 곤충의 복합 시각 투사 메커니즘을 잘 반영한다.

희소 코딩은 두 단계로 구현된다. 첫째, 선형 변환 후 고정 이진 마스크(M)를 적용해 연결성을 제한하고, 둘째, 적응형 k‑Winner‑Take‑All(a‑kWTA) 알고리즘을 통해 활성 뉴런 비율을 목표 희소도(≈5 %)에 맞춘다. a‑kWTA는 뉴런별 활성 빈도 μ를 지수 이동 평균으로 추적하고, 목표 희소도와의 차이에 따라 임계값 θ를 동적으로 조정한다. 이를 통해 과도한 활성화를 억제하고, 다양한 특징이 골고루 표현되도록 한다.

학습은 완전 자기지도 대조 학습(contrastive self‑supervised)으로 수행돼 라벨이 없는 대규모 이미지에 대해 일반화 가능한 표현을 획득한다. ANN 버전과 SNN 버전이 모두 구현되어, 전자는 GPU 기반 빠른 실험에, 후자는 저전력 neuromorphic 하드웨어 적용 가능성을 제시한다.

평가에서는 꽃 종류 분류와 ImageNet‑like 자연 이미지 벤치마크에서 기존 다운샘플링 기반 파이프라인보다 높은 정확도와 더 명확한 클래스 구분을 보였다. 또한 시뮬레이션된 로컬라이제이션 과제에서, 희소 KC 코드가 위치 추정에 필요한 정보량을 충분히 전달함을 입증했다. 결과적으로, 생물학적 희소성, 단계적 전처리, 그리고 자기지도 학습이 결합된 이 모델은 곤충 시각 시스템의 효율성을 현대 비전 시스템에 성공적으로 이전한 사례라 할 수 있다.