고품질 3D 프랙탈 샘플링으로 행동 인식 사전학습 혁신

초록

**
본 논문은 3차원 프랙탈을 IFS(Iterated Function System)로 생성하고, 이를 동영상 형태로 변환해 행동 인식 모델을 사전학습하는 방법을 제안한다. 기존의 무작위 샘플링은 속도가 느리고 퇴화된 프랙탈을 많이 만든다는 문제를 지적하고, 네 가지 필터링 기법을 비교한다. 그 결과, 제안하는 “Targeted Smart Filtering”이 100배 빠른 샘플링 속도와 뛰어난 다운스트림 성능을 동시에 달성한다는 것을 실험을 통해 입증한다.

**

상세 분석

**
이 연구는 크게 네 가지 핵심 요소로 구성된다. 첫째, 3D IFS 기반 프랙탈 생성 과정에서 매핑 행렬 A와 변환 벡터 b를 무작위로 샘플링하면, 행렬이 과도하게 수축하거나 발산해 점군이 평면·선·점에 수축하거나 지나치게 희박해지는 퇴화 현상이 빈번히 발생한다. 이를 해결하기 위해 저자는 파라미터 공간을 “Good”(복잡하고 자기유사성을 보이는)과 “Bad”(축소·희박·구조 결여) 두 클래스로 수동 라벨링하고, 2,000여 개 샘플을 기반으로 통계적·위상적 특징을 추출하였다.

둘째, 통계적 특징으로는 IFS 시스템 크기 N, 각 행렬의 특잇값 σ₁, σ₂, σ₃, 조건수 κ = σ₁/σ₃, 행렬 행렬식 |det(A)|, 그리고 특잇값 차이 σ₁‑σ₂, σ₁‑σ₃ 등을 사용했다. 위상적 특징(오일러 특성, 프랙탈 차원 등)은 클래스 구분에 크게 기여하지 않아 최종 모델에서는 제외하였다. 랜덤 포레스트 기반 중요도 분석 결과, Sum‑of‑|det(A)|, Mean‑|det(A)|/N, Mean(σ₁‑σ₂), Mean‑κ, Mean σ₃가 상위 5개 특징으로 선정되었으며, 상관관계가 80% 이하인 조합을 통해 최종 필터링 기준을 정의했다.

셋째, 네 가지 필터링 전략을 구현하였다. (1) Naïve + Variance: 무작위 샘플링 후 점군 분산이 일정 기준 이하인 경우만 통과; (2) SVD‑Control: 특잇값을 직접 제어해 수축성을 보장하지만 과도히 제한적; (3) Data‑Driven Random Forest: 학습된 RF 모델로 “Good/Bad”를 판별; (4) Targeted Smart Filtering (TSF): 위에서 도출한 5개 통계 특징을 기반으로 다중 임계값을 적용해 빠르게 “Good” 프랙탈을 추출한다. TSF는 파라미터 샘플링 단계에서 바로 품질을 예측하므로, 후처리 비용이 거의 없으며 전체 파이프라인이 100배 가량 가속된다.

넷째, 생성된 프랙탈 비디오를 ResNet‑50‑TSM 백본에 사전학습시킨 뒤 UCF101 및 HMDB51 데이터셋에 파인‑튜닝하였다. 실험 결과, 모든 필터링 방법이 “Scratch” 대비 성능을 크게 끌어올렸으며, 특히 TSF는 SVD‑Control이나 RF 기반 필터링보다 평균 1.2~1.5% 높은 Top‑1 정확도를 기록했다. 또한, Naïve + Variance 대비 100배 빠른 샘플링 속도에도 불구하고 성능 저하가 전혀 없었다는 점에서 실용성이 강조된다.

마지막으로, 저자는 3D 프랙탈이 2D 프랙탈에 비해 공간적 복잡도가 높아 시공간 특징 학습에 유리함을 입증했으며, 향후 더 다양한 변환(예: 물리 기반 시뮬레이션)과 대규모 파라미터 탐색을 통해 FDSL 영역을 확장할 가능성을 제시한다.

**