전문 지식 활용, 미세 수종 분류

정확한 미세 수종 분류는 산림 자원 조사 및 생물 다양성 모니터링에 필수적이다. 기존 방법들은 복잡한 아키텍처 설계에 치중하여 제한된 데이터 내의 긴 꼬리 분포나 높은 클래스 간 유사성 문제를 간과, 소수 또는 혼동되는 범주 식별에 어려움을 겪었다. 본 연구는 이러한 한계를 극복하고자 외부의 '도메인 전문가' 개념을 도입, 전문가 지식 기반 분류 결정 보정 네트워크(EKDC-Net)를 제안한다. EKDC-Net은 전문가 지식 추출 및 활용이라는 두 가지 핵심 과제를 해결한다. 먼저, 지역 사전 안내 지식 추출 모듈(LPKEM)을 개발하여 CAM(Class Activation Map) 분석을 통해 분류에 필수적인 판별 특징에 전문가의 초점을 맞춘다. 이어서 불확실성 안내 결정 보정 모듈(UDCM)을 설계, 전반적인 범주 불확실성과 인스턴스 수준 예측 불확실성을 모두 고려하여 로컬 모델의 결정을 동적으로 보정한다. 또한, 기존 벤치마크의 다양성 부족 문제를 해결하기 위해 102개 수종을 포함하는 대규모 분류 데이터셋인 CU-Tree102를 공개한다. 세 가지 벤치마크 데이터셋에 대한 실험 결과, 제안하는 접근 방식이 최첨단 성능을 달성함을 입증했다. 특히 EKDC-Net은 경량의 플러그 앤 플레이 모듈로서 0.08M의 추가 학습 가능한 매개변수만으로 백본 정확도를 7.86%, 정밀도를 12.89% 향상시켰다. 본 연구는 미세 수종 분류의 정확도를 획기적으로 개선하며, 산림 관리 및 생물 다양성 보전에 기여할 것으로 기대된다.