.svg)
AI 솔루션 문의하기
자율주행 카메라가 촬영한 영상에서 차량이나 보행자 같은 객체를 표시하는 작업은 정지된 한 장의 사진을 다루는 수준을 넘어 연속된 영상 속에서 같은 대상을 계속 추적하며 표시해야 하는 특수성을 지니고 있습니다. 한 프레임에서 특정 차량에 부여한 식별 정보가 다음 프레임에서 다른 정보로 바뀌어 버리면 인공지능은 같은 차량을 서로 다른 두 대의 차량으로 오인하게 되어 실제로는 존재하지 않는 움직임을 학습하게 되는 심각한 오류로 이어질 수 있습니다. 이 때문에 객체인식 라벨링 품질관리에서는 개별 프레임의 표시 정확도 못지않게 프레임과 프레임 사이에서 동일한 대상이 일관된 정체성을 유지하는지를 확인하는 작업이 매우 중요하게 다루어집니다.
이러한 특성 때문에 자율주행 객체인식 데이터의 품질관리는 정지 영상 라벨링과는 전혀 다른 기준으로 접근해야 하며 시간의 흐름을 따라 대상을 놓치지 않고 이어가는 능력 자체가 품질을 가르는 가장 중요한 요소가 됩니다.
이 네 가지 확인 과정을 거치지 않으면 겉으로는 정확해 보이는 개별 프레임의 표시라도 전체 영상을 이어 보았을 때 대상의 정체성이 흔들리는 문제를 발견하지 못한 채 넘어갈 수 있습니다.
자율주행차는 단일 카메라를 넘어 차량 전후좌우에 설치된 여러 카메라로 동시에 주변을 촬영하기 때문에 서로 다른 카메라에 찍힌 같은 객체가 하나의 동일한 대상으로 정확히 연결되어야 하며 이 통합 과정에서 발생하는 오류는 개별 카메라 영상만 확인해서는 발견하기 어려운 경우가 많습니다. 여러 시점에서 촬영된 영상을 함께 놓고 검토해야 카메라 간 경계에서 객체가 이중으로 표시되거나 누락되는 문제를 발견할 수 있습니다.
보행자가 다른 차량에 가려 신체의 일부만 보이거나 차량이 표지판 뒤로 잠시 사라졌다가 다시 나타나는 상황은 도로에서 매우 흔하게 발생하기 때문에 이러한 가려짐 상황에서도 대상의 전체적인 위치와 경계를 합리적으로 추정해 표시하는 별도의 기준이 마련되어야 합니다. 가려진 부분을 무시하고 보이는 부분만 표시하면 인공지능이 실제 객체의 크기를 과소평가하게 되어 위험 판단에 혼선을 줄 수 있습니다.
화면 속에서 아주 작게 나타나는 객체는 사람인지 물체인지 구분하기 어려운 경우가 많아 이러한 상황에 대한 별도의 처리 기준이 필요합니다.
이러한 기준이 없으면 작업자마다 판단이 갈려 어떤 작은 객체는 표시되고 비슷한 크기의 다른 객체는 누락되는 일관성 없는 데이터가 만들어질 위험이 있습니다.
차량이라 하더라도 승용차와 화물차 그리고 이륜차처럼 세부 유형을 구분해야 하는 경우 작업자마다 분류 기준이 다르게 적용되면 같은 대상이 서로 다른 유형으로 기록되는 문제가 발생할 수 있어 세부 유형을 구분하는 명확한 기준표를 미리 마련하고 이를 모든 작업자가 동일하게 적용하도록 하는 절차가 필요합니다. 애매한 경계에 놓인 차량 유형에 대해서는 별도의 사례집을 만들어 참고하도록 하면 작업자 간의 판단 차이를 줄이는 데 도움이 됩니다.
추적 일관성이 깨지는 빈도나 가려짐 상황에서의 오류율처럼 구체적인 지표를 정기적으로 측정하고 그 결과를 작업자와 검수자에게 공유하면 어떤 부분에서 반복적으로 문제가 발생하는지를 명확히 파악하고 개선할 수 있습니다. 막연하게 품질을 높이자는 목표보다 구체적인 수치로 드러난 취약 지점을 짚어내는 방식이 실질적인 개선으로 이어지는 경우가 많습니다.
도로 위를 스쳐 지나가는 차량과 사람들은 한순간도 멈춰 있지 않습니다. 객체인식 라벨링이 지켜야 할 정확함은 결국 그 멈추지 않는 흐름 속에서 같은 존재를 끝까지 같은 존재로 알아보는 일이며, 이 흐름을 놓치지 않는 세심함이 쌓여야 비로소 도로 위의 안전한 판단이 완성될 수 있습니다.
.svg)
.svg)
