과학 포털 iKAOS

6 Contents

오픈소스 & 오픈 데이터를 활용한 이미지 생성 모델 경량화 연구

시각지능은 인공지능 분야 중에서도 가장 비약적인 발전을 이룬 영역 중 하나로 손꼽힙니다. 인간의 눈이 사물을 인식하고 주변 환경을 이해하는 복잡한 과정을 기계에 학습시키는 이 기술은 초기에는 단순한 패턴 인식에 불과했습니다. 하지만 현재는 수많은 데이터를 바탕으로 복잡한 상황을 실시간으로 분석하고 판단하는 수준까지 도달했습니다. 우리 생활 곳곳에서 활용되는 이미지 인식 기술은 이제 단순한 편의를 넘어 보안, 의료, 자율주행 등 사회 전반의 핵심 인프라를 지탱하는 중추적인 역할을 수행하고 있습니다. 딥러닝 기술의 등장은 시각지능 연구에 혁명적인 변화를 가져왔습니다. 방대한 양의 영상 데이터를 스스로 학습하며 특징을 추출하는 신경망 구조는 과거 인간이 알고리즘을 직접 설계하던 수동적인 방식의 한계를 완벽히 극복하게 해주었습니다. 특히 합성곱 신경망과 같은 구조는 픽셀 단위의 미세한 정보부터 사물의 전체적인 형상까지 계층적으로 파악하는 능력을 갖추고 있습니다. 이를 통해 사람이 미처 발견하지 못하는 세밀한 차이까지 정확하게 구분해내며 인간의 시각적 인지 능력을 뛰어넘는 성과를 보여주고 있습니다. 하지만 기술적 성취가 높음에도 불구하고 시각지능이 극복해야 할 과제들은 여전히 남아 있습니다. 학습 데이터에 포함되지 않은 새로운 환경이나 사물이 가려진 상황에서의 인식 능력은 인간의 유연한 사고방식에 비해 보완이 필요합니다. 연구자들은 이러한 한계를 극복하기 위해 적은 데이터로도 효율적으로 학습하는 방법이나, 사물 간의 인과관계를 이해하는 추론 능력을 인공지능에 접목하기 위해 노력하고 있습니다. 결국 데이터의 양을 넘어 이를 해석하는 알고리즘의 유연성과 효율성이 미래 기술 경쟁력의 핵심이 될 것입니다. 현실 세계에서 시각지능의 활약은 이미 눈부신 결과를 만들어내고 있습니다. 자율주행 차량은 주변 장애물과 도로 상황을 파악하여 안전한 주행을 돕고, 의료 분야에서는 엑스선이나 영상 진단 자료를 분석해 질병의 징후를 조기에 발견하는 전문가의 보조 역할을 수행합니다. 또한 스마트 시티의 지능형 관제 시스템은 범죄 예방과 사고 대응 속도를 획기적으로 높여 도시의 안전을 책임지고 있습니다. 이러한 시각지능의 기술적 성취는 우리의 일상생활을 더욱 안전하고 효율적인 방향으로 변화시키는 원동력이 됩니다. 시각지능의 최종적인 지향점은 단순히 인간의 시각 기능을 대체하는 것이 아니라, 인간의 능력을 확장하고 보완하는 든든한 파트너가 되는 것입니다. 앞으로의 연구는 영상 속에서 단순히 객체를 찾아내는 단계를 넘어, 장면의 전체적인 맥락과 숨겨진 의미까지 이해하는 방향으로 진화할 것입니다. 인간과 인공지능이 시각 정보를 공유하며 긴밀하게 소통하는 미래는 상상보다 훨씬 가까이 다가와 있습니다. 이러한 기술적 진보는 새로운 산업 혁신을 일으키고 사회적 가치를 창출하는 중요한 마중물이 될 것으로 기대됩니다.

한국전자통신연구원오픈소스 테크데이

뇌인지과학
융합
공학·기술

[연구원 V-log] !!최초공개!! 에트리에 산신령이!?

ETRI(한국전자통신연구원) 인공지능 컴퓨팅 연구소는 세계 최초의 기술을 창조하는 국가 보안 연구 시설입니다. 연구원들은 아침마다 최신 논문을 탐독하며 인공지능 반도체의 새로운 구조와 알고리즘 설계에 매진합니다. 국가를 위해 일한다는 사명감은 이들에게 연구를 지속할 수 있는 든든한 원동력이 됩니다. 철저한 보안 속에서 피어나는 혁신적인 아이디어들은 대한민국 인공지능 반도체 산업의 뿌리가 되어 우리 사회 전반에 안정적인 기술적 토대를 제공하고 있습니다. 핵심 연구 주제는 신경망 경량화와 효율적인 인공지능 가속기 설계입니다. 인간의 뇌 기능을 모방한 뉴로모픽 반도체나 방대한 데이터를 초고속으로 처리할 수 있는 하드웨어를 구현하는 것이 목표입니다. 이는 단순한 이론을 넘어 실질적인 연산 성능을 극대화하는 물리적 구조를 만드는 과정입니다. 연구원들은 매일 복잡한 아키텍처를 직접 그려가며 더 효율적인 데이터 처리 방식을 고민합니다. 이러한 노력은 전력 소모는 줄이면서도 연산 능력은 비약적으로 높이는 결과로 이어집니다. 개발된 인공지능 반도체는 서버룸에서 엄격한 실시간 검증을 거칩니다. 이곳에서는 인공지능 모델이 인공지능 반도체 하드웨어에서 최적의 성능을 낼 수 있도록 조정하는 작업이 진행됩니다. 특히 객체 인식 데모 환경을 통해 인공지능 반도체가 수십 가지 사물을 실시간으로 얼마나 정확하게 구분해내는지 확인합니다. 소프트웨어가 전달하는 언어를 하드웨어가 완벽하게 해석하고 실행하는 과정을 반복하며 기술의 완성도를 높입니다. 이는 실험실의 아이디어가 실제 시장으로 나가기 전 거치는 필수적인 관문입니다. 인공지능 반도체는 사용 환경에 따라 최적화된 형태로 발전합니다. 모바일 기기처럼 배터리 효율이 중요한 분야에서는 저전력 기술이 핵심이며, 자율주행이나 보안 시스템처럼 정밀도가 요구되는 분야에서는 고성능 기술이 강조됩니다. 연구의 지평은 점차 넓어져 이제는 전문가의 영역을 넘어 일반 사용자들이 일상에서 인공지능을 직접 학습시키고 활용할 수 있는 환경을 목표로 합니다. 기술적 진보를 통해 인공지능이 우리 삶의 모든 영역에서 유용한 도구로 자리 잡을 수 있도록 돕는 것입니다. 인공지능 기술은 인간이 더 창의적이고 난이도 높은 과업에 집중할 수 있도록 돕는 동반자입니다. 기술의 발전이 일자리를 위협하기보다는 인류가 한 단계 더 도약할 기회를 제공한다고 믿기 때문입니다. 연구원들은 미래 세대와 주변 이웃들이 우리가 만든 기술을 일상에서 자연스럽게 누리며 자부심을 느끼는 세상을 꿈꿉니다. 대한민국에서 탄생한 독보적인 기술력이 세계 시장을 선도하고 인류의 삶을 더욱 풍요롭게 만드는 미래를 향해 연구는 멈추지 않고 지금 이 순간에도 계속될 것입니다.

한국전자통신연구원ETRI 인사이드

뇌인지과학
융합
공학·기술

영상 데이터 자동 레이블링 시스템

현대 인공지능 기술의 핵심인 영상 학습 데이터 구축을 획기적으로 개선하기 위해 '달달'이라는 이름의 자동 레이블링 저작 도구가 개발되었습니다. 이 시스템은 단순한 저작 도구를 넘어 AI 기반의 자동 레이블링 기술과 순환형 학습 구조가 결합된 통합 솔루션입니다. 과거에는 작업자가 영상 내 객체를 일일이 찾아 테두리를 그리는 고된 수동 작업이 필수적이었으나, 이제는 시각지능 모델이 사전에 객체를 인식하여 레이블을 자동 생성합니다. 작업자는 생성된 결과물을 확인하고 검수하는 역할만 수행하면 되기에 작업의 편의성이 대폭 향상되었습니다. 이 시스템의 가장 큰 강점은 사용자의 추가 데이터를 바탕으로 끊임없이 진화하는 순환형 학습 구조에 있습니다. 일반적인 객체 인식 모델은 사전에 학습된 데이터 외의 새로운 객체를 인식하는 데 한계가 있지만, 본 시스템은 재훈련 기술을 통해 인식 성능을 지속적으로 보정합니다. 현재 약 80여 종의 사물을 사각형이나 다각형 형태로 정밀하게 인식하며, 도메인의 특성에 맞춰 모델을 유연하게 변경할 수도 있습니다. 이러한 방식은 작업자의 숙련도와 상관없이 일정한 품질의 데이터를 대량으로 확보할 수 있는 안정적인 기술적 기반을 제공합니다. 연구진은 실제 도로 영상 데이터 구축 과정에서 겪은 수동 작업의 번거로움을 해결하고자 이 기술을 고안하게 되었습니다. 단순히 편리한 도구를 만드는 것에 그치지 않고, AI 모델의 개발과 운영을 유기적으로 연결하는 데브옵스 개념을 접목한 것이 개발의 시작점이었습니다. 특히 모델의 성능을 스스로 개선할 수 있는 순환형 학습 구조를 구상하여 지식재산권으로 출원하는 성과도 거두었습니다. 이는 연구 현장에서의 실제적인 필요성이 창의적인 기술적 아이디어와 결합하여 현장의 문제를 해결하는 혁신적인 시스템으로 탄생한 좋은 사례라 할 수 있습니다. 기술 구현 과정에서는 모델 학습을 위한 자원 확보와 연산 시간 지연이라는 현실적인 장벽에 부딪히기도 했습니다. 실시간에 가까운 속도로 대용량 영상을 처리하기 위해 연구팀은 도커 기반의 컨테이너 구조를 채택하여 서비스와 훈련 과정을 효율적으로 연동했습니다. 이러한 구조적 개선을 통해 데이터 전송 시간을 제외하면 영상당 1초에서 2초 내외로 처리가 가능해질 만큼 속도를 끌어올렸습니다. 시행착오를 통해 완성된 이 기술은 현재 중소기업이나 연구 기관이 보유한 원천 데이터를 가치 있는 학습 데이터셋으로 변환하는 핵심 동력이 되고 있습니다. 현재 이 기술은 KISTI의 기계 학습 데이터 공유 플랫폼인 'AIDA(AI다)'를 통해 더욱 고도화되고 있습니다. 사용자들은 단순히 제공된 데이터셋을 내려받는 것에 그치지 않고, 워크벤치를 통해 자신에게 필요한 맞춤형 데이터를 직접 취합하고 레이블링할 수 있는 환경을 제공받습니다. '데이터로 세상을 바꾸다'라는 비전 아래, 누구나 고품질의 영상 데이터를 손쉽게 다루고 활용할 수 있는 기술적 토대를 마련하는 것이 연구의 최종 목표입니다. 앞으로 이 시스템이 대용량 데이터 생태계의 중심에서 더 많은 연구자와 기업에 큰 도움이 되기를 기대해 봅니다.

한국과학기술정보연구원세계가 인정함! ✅우수 연구성과✅ 인터뷰

융합
공학·기술

EOST2021 Open3D 활용한 Point Cloud Data 전처리 및 가시화

최근 가상 환경과 실제 환경을 실시간으로 연결하는 ‘디지털 트윈’ 기술이 주목받으면서 3차원 공간 정보 처리의 중요성이 날로 커지고 있습니다. 디지털 트윈은 실제 환경을 가상 세계에 정교하게 재구성하여 다양한 상황을 시뮬레이션하고 최적의 솔루션을 찾아내는 기술입니다. 이를 위해서는 단순히 사물이 어디에 있는지를 파악하는 수준을 넘어, 그것이 어떤 사물인지 정확하게 인식하는 과정이 필수적입니다. 이때 핵심적인 역할을 수행하는 것이 바로 수많은 점의 집합으로 구성된 포인트 클라우드 데이터이며, 이를 통해 가상 공간 내에서 실제와 같은 환경을 완벽하게 복원해낼 수 있습니다. 이러한 기술적 토대는 정교한 미래 예측과 최적의 의사결정을 가능하게 하는 원동력이 됩니다. 포인트 클라우드는 3차원 공간상의 좌표인 x, y, z 값으로 표현되는 점들의 집합인 ‘점군’을 의미합니다. 이는 라이다(LiDAR) 기술이나 RGB-D 카메라의 깊이 정보를 활용해 취득할 수 있으며, 수집된 점들의 배열을 딥러닝 모델에 입력하여 사물의 형상을 분류하거나 부위별로 분할하는 연구에 활용됩니다. 포인트 클라우드는 촬영 위치나 각도에 따라 좌표값이 달라지더라도 동일한 형상을 인식해야 하며, 점들의 순서가 바뀌어도 결과가 변하지 않는 독특한 특성을 가집니다. 또한 수만 개의 점을 효율적으로 처리하기 위해 적절한 샘플링 기법을 적용하여 데이터의 크기를 최적화하는 과정이 필요하며, 이는 전체 모델의 분석 성능에 큰 영향을 미칩니다. 3차원 데이터를 다루기 위한 전문 도구인 Open3D는 C++와 파이썬을 모두 지원하며, 병렬 연산과 GPU 가속을 통해 대용량 데이터를 빠르게 처리하는 강력한 장점을 보유하고 있습니다. 이 라이브러리를 활용하면 포인트 클라우드뿐만 아니라 메시나 RGB-D 데이터 등 다양한 형태의 3차원 객체를 자유롭게 로드하고 편집할 수 있습니다. 특히 최근에는 파이토치나 텐서플로우와 같은 주요 머신러닝 프레임워크와의 연동을 지원함으로써 3차원 인공지능 연구 및 개발 분야에서 핵심적인 도구로 자리 잡았습니다. 사용자는 내장된 풍부한 함수를 통해 복잡한 데이터 프로세싱을 손쉽게 수행할 수 있으며 이를 통해 높은 개발 확장성을 경험하게 됩니다. Open3D를 이용하면 아주 짧은 코드만으로도 포인트 클라우드 데이터를 시각화하고 전처리하는 과정을 완료할 수 있습니다. 넘파이로 읽어온 좌표 데이터를 객체로 변환하거나 색상 정보를 추가하여 거리에 따른 깊이감을 부여하는 등 직관적인 시각화 기능을 제공합니다. 또한 .pcd나 .ply와 같은 다양한 파일 형식의 입출력을 지원하며, 깊이 이미지를 기반으로 포인트 클라우드를 직접 생성하는 기능도 갖추고 있습니다. 이외에도 삼각형 메시 데이터로부터 균일한 간격의 점들을 추출하여 포인트 클라우드로 변환하는 샘플링 작업을 지원하므로 연구 목적에 맞는 다양한 데이터 가공이 가능해지며 업무의 효율성을 비약적으로 높여줍니다. 데이터의 밀도를 조절하는 복셀 다운샘플링이나 객체의 경계를 정의하는 바운딩 박스 생성 기능은 더욱 정교한 데이터 분석 환경을 제공합니다. 특정 시점에서 바라본 가시 영역만을 추출하거나 객체를 이동, 회전, 확장하는 3차원 변환 작업 역시 전용 메소드 호출만으로 간편하게 해결할 수 있습니다. 특히 서로 다른 위치에서 촬영된 여러 포인트 클라우드 데이터를 하나의 덩어리로 통합하는 정합 기술인 ‘정합(Registration)’은 다각도의 정보를 결합하는 데 핵심적인 역할을 합니다. 이처럼 Open3D는 데이터 취득부터 최종 분석까지 전 과정을 통합적으로 지원하며, 공식 홈페이지에서 제공하는 풍부한 예제들은 사용자의 문제 해결 과정을 훌륭하게 지원합니다.

한국전자통신연구원오픈소스 테크데이

융합
공학·기술

[2021] 01 딥뷰 시각지능 기술

한국전자통신연구원(ETRI)은 방대한 시각 데이터를 지능적으로 분석하기 위해 인공지능 기반의 컴퓨터 비전 기술을 연구하고 있습니다. 그 중심에는 'DeepView' 프로젝트가 있으며, 이미지와 비디오 데이터를 심층적으로 이해하여 실생활에 유용한 정보를 추출하는 플랫폼 개발을 목표로 합니다. ETRI는 혁신적인 연구 성과를 세계적인 학술 대회에 꾸준히 발표하며 기술력을 입증하고 있습니다. 단순히 이론에 그치지 않고 실생활의 편의를 높이는 응용 프로그램 개발에 박차를 가하고 있습니다. 도시의 미관을 해치고 위생 문제를 야기하는 불법 쓰레기 투기는 지자체의 고질적인 문제입니다. ETRI는 이러한 불편을 해소하고자 DeepView 기술을 적용한 지능형 투기 감지 시스템을 선보였습니다. 이 시스템은 복잡한 설정 없이도 학습된 알고리즘을 통해 쓰레기를 버리는 동작과 객체를 정확하게 식별합니다. 특히 기존 CCTV 인프라를 활용할 수 있어 경제적이며, 실시간 감지로 불법 투기를 즉각 예방할 수 있는 환경을 조성하여 공공 질서 유지에 기여한다는 평가를 받습니다. 현대 도시 환경에서 시민의 생명과 직결된 위험 상황을 인지하는 것은 매우 중대한 과제입니다. 특히 길거리에서 질병으로 쓰러지거나 만취 상태로 넘어진 사람을 신속하게 발견하는 것은 생명 보호와 직결됩니다. 기존 기술은 서 있는 자세 인식에만 최적화되어 있어, 누워 있는 비정상적 자세를 식별하는 데 한계가 있었습니다. 응급 상황에서 정확도가 중요함에도 기술적 제약으로 구조 시점을 놓칠 위험이 존재해 왔던 것이 사실입니다. ETRI는 사람의 자세 변화에 관계없이 대상을 명확히 파악할 수 있는 강건한 인체 감지기를 개발했습니다. 다중 작업 학습 기법을 도입하여 사람을 여섯 가지 자세로 분류하고 감지와 동시에 관절 위치를 추정합니다. 이를 통해 보행자뿐 아니라 바닥에 쓰러진 사람의 상태까지 자동으로 감지할 수 있게 되었습니다. 이러한 고도화된 인식 능력은 관제 센터가 위험 상황을 실시간으로 모니터링하고 골든타임을 확보하는 데 결정적인 역할을 하며 시민의 생명을 구하는 든든한 방어벽이 됩니다. DeepView 프로젝트는 인공지능 기술이 단순히 데이터 분석에 머물지 않고 우리 삶의 안전과 질을 높이는 도구로 진화하고 있음을 보여줍니다. 시각 지능을 기반으로 한 사회 문제 해결 노력은 도시 위생 개선과 범죄 예방, 응급 환자 구조 등 광범위한 영역에서 긍정적인 파급력을 미치고 있습니다. 앞으로도 이러한 지능형 플랫폼은 더욱 정교해질 것이며, 우리 사회의 사각지대를 밝히는 핵심 기술로 자리매김할 전망입니다. 기술과 사회가 공존하며 더 안전한 도시 생태계를 만들어가는 미래가 다가오고 있습니다.

한국전자통신연구원ETRI 아카이브

융합
공학·기술

08 인공지능 기반 도심 자율주행 기술v2

ETRI가 개발한 자율주행 차량용 AI는 센서 데이터를 통해 주변 환경을 디지털로 재구성합니다. 스테레오 카메라와 라이다(LiDAR) 센서를 결합해 차선, 횡단보도, 노면 표시 등의 정보를 추출하며 이를 실시간 지도 형태로 구축합니다. 시맨틱 인지 AI는 영상의 픽셀 단위까지 속성을 분석하여 주행 가능 영역과 도로 마크를 세밀하게 식별합니다. 특히 라이다(LiDAR) 데이터를 원통 좌표계로 변환하여 차량 주변 360도 전체를 사각지대 없이 한 번에 관측하고 분류하는 기술은 복잡한 도로 환경에서 안정적인 주행을 뒷받침하는 강력한 토대가 됩니다. 안전한 주행을 위해서는 주변의 동적 장애물을 정확히 파악하는 오브젝트 인식 AI가 필수적입니다. 이 기술은 카메라와 라이다(LiDAR)를 통해 차량, 보행자, 자전거 등을 실시간으로 검출하며, 경로 내 장애물을 회피하거나 긴급 제동 시스템을 가동해 사고를 미연에 방지합니다. 또한 주행 환경 인지 AI는 신호등의 위치와 색상을 분류하여 도심 주행을 돕고, 전방 차량의 브레이크등이나 방향지시등 같은 후미등 정보를 분석합니다. 이를 통해 앞차의 운전 의도를 미리 예측함으로써 더 유연하고 안전한 회피 주행이 가능해집니다. 마지막 단계인 판단 AI는 복합적인 주행 정보를 바탕으로 차량의 움직임을 결정합니다. 타차 위치 예측 AI는 주변 차량의 과거 궤적을 분석하여 미래의 주행 경로를 파악하고 사고 가능성을 최소화합니다. 더불어 로컬 패스 생성 AI는 전방 상황과 목적지에 맞게 차량이 실제로 통과할 최적의 경로를 실시간으로 생성합니다. 수많은 가상 경로 중 가장 안전하고 효율적인 평균 경로를 도출해내는 과정은 자율주행 차량이 복잡한 도로 위에서도 사람처럼 유연하고 정확하게 목적지까지 도달할 수 있게 만드는 기술적 완성도의 핵심입니다.

한국전자통신연구원

융합
공학·기술