딥러닝 기반 수목 분할 성능의 과대평가: TLS 데이터를 활용한 검증 연구

본 연구는 딥러닝 기반 수목 분할 모델의 성능 평가에 있어 수동 레이블 데이터의 과도한 의존성이 모델 성능을 과대평가할 수 있음을 보여줍니다. TLS 데이터를 활용한 엄격한 검증 결과, 모델 성능이 기존 연구 결과보다 현저히 낮게 나타났으며, 특히 폐쇄 수관림에서 성능 저하가 두드러졌습니다. 이는 향후 연구에서 독립적인 지상 진실 데이터를 활용한 엄밀한 성능 평가의 중요성을 강조합니다.

기후 변화에 대한 산림의 반응을 정확하게 평가하려면 수목 개별 단위의 역동성 모니터링이 필수적입니다. 하지만 기존의 현장 기반 산림 조사 방법은 노동 집약적이고 공간적 범위가 제한적이라는 한계가 있습니다. 드론으로 촬영한 RGB 영상과 딥러닝 모델을 결합한 원격 탐사 기술은 정밀한 개별 수목 수관(ITC) 분할을 약속하며 획기적인 발전으로 여겨졌습니다.

그러나 기존 연구들은 주로 사람이 직접 주석을 단 이미지를 기준으로 모델의 성능을 검증했습니다. 이러한 방법은 엄격한 독립적 지상 진실 데이터가 부족하다는 문제점을 가지고 있습니다. Matthew J. Allen 등 연구진은 이러한 문제점을 해결하기 위해, 드론 영상과 공동 위치한 지상 레이저 스캐닝(TLS) 데이터를 이용하여 고충실도 검증 레이블을 생성하는 새로운 접근 방식을 제시했습니다.

연구진은 혼합된 관리되지 않은 북방 및 지중해 산림의 드론 영상에 대해 널리 사용되는 두 가지 딥러닝 ITC 분할 모델인 DeepForest (RetinaNet)와 Detectree2 (Mask R-CNN)의 성능을 평가했습니다. 흥미롭게도, 지중해 산림의 TLS 기반 지상 진실 데이터로 검증했을 때 모델 성능은 생태적으로 유사한 지역의 수동 레이블 데이터를 기반으로 한 평가 결과와 비교하여 현저히 감소했습니다 (AP50: 0.094 대 0.670). 이는 기존 연구에서 인공적으로 높게 평가된 딥러닝 모델의 성능을 시사합니다.

수관 나무에만 평가를 제한했을 때 성능 차이는 줄어들었지만 (Canopy AP50: 0.365), 여전히 수동 레이블 데이터 기반 평가 결과에는 훨씬 못 미쳤습니다. 북방 산림 데이터에서도 유사한 결과가 나타났습니다 (AP50: 0.142). 더욱이, 두 모델 모두 엄격한 IoU 임계값에서 매우 낮은 위치 정확도를 보였습니다 (Max AP75: 0.051). 이러한 결과는 항공 LiDAR 데이터를 사용한 이전 연구 결과와 일치하며, 폐쇄 수관림에서 항공 기반 분할 접근 방식의 근본적인 한계를 시사합니다.

이 연구는 딥러닝 기반 수목 분할 모델의 성능 평가에 있어서 수동 레이블 데이터의 의존성에 대한 경각심을 일깨워줍니다. 향후 연구에서는 TLS와 같은 독립적 지상 진실 데이터를 활용하여 더욱 엄밀하고 신뢰할 수 있는 성능 평가가 필요함을 강조합니다. 이를 통해 딥러닝 기반 원격 탐사 기술의 실제 적용 가능성을 더욱 정확하게 파악하고, 산림 관리 및 기후 변화 연구에 대한 기여도를 높일 수 있을 것입니다.