해저침전물 분류를 위한 믿음함수 기반 서포트벡터머신 결합 기법

본 논문은 소나 이미지에서 해저 퇴적물을 자동으로 구분하는 문제를 다루며, 기존 SVM 기반 분류기의 한계를 보완하기 위해 믿음함수(Dempster‑Shafer) 이론을 도입한다. 서론에서는 소나 데이터가 다중 경로 반사, 스펙클, 해양 생물 등으로 인해 높은 잡음과 불확실성을 갖는다고 설명하고, 인간 전문가조차도 색상과 텍스처만으로는 정확히 구분하기 어렵다는 점을 강조한다. 따라서 자동 분류 시스템은 불확실성을 정량화하고, 필요시 ‘거부’ 혹은 ‘불확실 라벨’(다중 클래스 합집합) 을 제공해야 한다는 요구가 제시된다. 다음으로 SVM의 기본 원리를 정리한다. SVM은 이진 분류기를 학습시키며, 최적 초평면을 찾기 위해 마진을 최대화한다. 선형 및 비선형(커널) 경우 모두 라그랑지안 이중 문제를 풀어 서포트 벡터와 라그랑지안 승수를 얻는다. 새로운 샘플 x 에 대한 결정 함수 f(x) 는 서포트 벡터와 라그랑지안 승수의 내적(또는 커널) 합으로 계산되며, 부호에 따라 클래스가 결정된다. 다중 클래스 문제를 해결하기 위해 One‑vs‑Rest, One‑vs‑One, ECOC, Directed Acyclic Graph SVM 등 다양한 전략이 소개된다. 그러나 이러한 전략은 보통 ‘투표’ 혹은 ‘최대 결정값’에 의존해 단일 라벨을 강제 부여한다는 한계가 있다. 믿음함수 이론 파트에서는 기본 믿음 할당(m_j)의 정의와 신뢰도(bel), 가능도(pl), 그리고 Dempster 규칙과 정규화된 결합 규칙을 설명한다. 특히, 믿음함수는 질량을 부분집합에 할당할 수 있어 ‘불확실성(Θ)’에 대한 질량을 명시적으로 표현한다는 점이 강조된다. 충돌 질량 m(∅) 은 전문가(또는 이진 분류기) 간 모순을 나타내며, 이를 활용해 거부 메커니즘을 설계한다. 핵심 기여는 SVM 결정 함수 f(x) 를 직접 믿음 할당으로 변환하는 방법이다. 저자는 f(x) 의 절대값을 초평면으로부터의 거리 d 로 해석하고, d 가 지수분포 Exp(α) 를 따른다고 가정한다. 이에 따라 m({w_i}) = 1 – exp(–α·d) m(Θ) = exp(–α·d) 와 같이 질량을 정의한다. 이때 α 는 데이터의 분산에 따라 학습 단계에서 추정되며, 거리 d 가 클수록 해당 클래스에 대한 믿음이 커지고, 거리 d 가 작을수록 전체 불확실성에 질량이 집중된다. 이렇게 정의된 BBA는 이진 분류기마다 독립적으로 계산된다. 다음 단계에서는 여러 이진 분류기의 BBA들을 Dempster 규칙(정규화) 혹은 합동 규칙(비정규화)로 결합한다. 결합 결과에서 m(∅) 가 사전 정의된 임계값 τ 를 초과하면 해당 샘플을 ‘거부’하고, m(∅) 가 낮을 경우에는 신뢰도 bel 를 이용해 최종 라벨을 결정한다. 라벨 결정 규칙은 1) bel(w_k) 가 전체 클래스 중 최대이며, 2) bel(w_k) > bel(w_k^c) (보완 집합 대비) 를 만족하면 단일 클래스 w_k 를 부여한다. 위 두 조건을 만족하지 못하면, bel 값이 가장 큰 부분집합 A⊆Θ (예: {w_i, w_j})를 선택해 ‘불확실 라벨’로 표기한다. 실험은 프랑스 해군이 제공한 소나 이미지 데이터셋을 사용한다. 데이터는 5가지 퇴적물(암석, 자갈, 모래, 잔물결, 실트)과 그림자(불확실) 클래스로 라벨링되어 있다. 각 클래스별로 200여 장의 이미지가 추출되었으며, 10‑fold 교차 검증을 수행했다. 비교 대상은 전통적인 SVM‑Voting, 확률 기반 정규화, 그리고 기존 믿음함수 기반 혼합 행렬 방법이다. 평가 지표는 정확도, 정밀도, 재현율 외에 ‘거부 비율’과 ‘불확실 라벨 비율’도 포함한다. 결과는 다음과 같다. 제안 방법은 전체 정확도가 92.3%로 기존 SVM‑Voting(≈89%)보다 약 3% 향상되었다. 특히 경계가 모호한 샘플(예: 모래와 실트가 섞인 영역)에서 불확실 라벨 비율이 12%로 증가했으며, 이는 오분류를 감소시켜 전체 재현율을 94%까지 끌어올렸다. 거부 메커니즘을 적용한 경우, 잡음이 심한 그림자 영역 8%를 자동으로 배제했으며, 이는 시스템의 신뢰성을 크게 향상시켰다. 파라미터 α 와 τ 는 검증 데이터에서 그리드 탐색을 통해 최적화했으며, 실험에 따라 약간의 변동이 있었지만 전반적인 성능은 안정적이었다. 논문의 마지막 부분에서는 한계와 향후 연구 방향을 논의한다. 믿음함수 결합은 부분집합 수가 늘어날수록 계산 복잡도가 급격히 증가하므로, 대규모 실시간 적용을 위해 근사 결합(예: Fast Möbius Transform)이나 제한된 부분집합만 고려하는 전략이 필요하다. 또한 α 와 τ 의 자동 튜닝을 베이지안 최적화나 메타러닝으로 확장할 여지가 있다. 마지막으로, 제안된 프레임워크를 다른 해양 센서(예: 측심도, 측면 레이더)와 융합해 다중 모달 데이터에 적용하는 연구가 기대된다.