지진 이미지 의미분할을 위한 초경량 딥러닝 모델

본 논문은 지진 데이터 해석에 필수적인 층(호라이즌) 구분 작업을 자동화하기 위해, 라벨링 비용이 제한된 상황에서도 높은 성능을 보이는 새로운 딥러닝 아키텍처를 제안한다. 기존 연구들은 전통적인 컴퓨터 비전 기법이나, VGG‑FCN 기반의 심층 모델을 적용했지만, 네트워크 구조와 학습 파라미터에 대한 상세한 분석이 부족했다. 이를 보완하고자 저자들은 두 가지 변형 모델, Danet‑FCN2와 Danet‑FCN3를 설계하였다. **데이터셋 및 전처리** 사용된 Penobscot 3D 데이터셋은 캐나다 해안에서 획득된 실제 3D 지진 이미지이며, 481개의 크로스라인과 601개의 인라인 슬라이스를 포함한다. 저자들은 품질이 낮은 슬라이스를 제거하고, 최종적으로 459개의 인라인 슬라이스만을 사용하였다. 각 슬라이스는 7개의 지질학적 층(8개의 구간)으로 라벨링되었으며, 2와 3 클래스를 병합해 최종 7개의 클래스로 축소하였다. 이미지 값은 ‑30 000~33 000 범위의 부동소수점에서 0~255 그레이스케일로 정규화되었고, 80×120 및 128×128 크기의 타일로 슬라이딩 윈도우 방식으로 분할되었다. 데이터는 블록 단위로 70%를 학습, 30%를 검증에 할당했으며, 실험을 위해 학습 슬라이스 수를 100, 13, 9, 5개로 제한하는 시나리오를 구성하였다. **네트워크 설계** 인코더는 ResNet‑style 잔차 블록을 사용해 깊은 특징을 추출한다. 디코더에서는 기존의 dilated convolution 대신 전치(transposed) 잔차 유닛을 도입했으며, 이는 전치 컨볼루션과 잔차 연결을 결합한 구조이다. 전치 잔차 유닛은 업스케일링 과정을 학습 가능한 파라미터로 전환함으로써, 고정된 업샘플링 방식보다 더 부드러운 경계 복원을 가능하게 한다. Danet‑FCN2는 이러한 전치 잔차 유닛을 최소한의 레이어와 필터 수로 구성해 경량화했으며, Danet‑FCN3는 레이어와 필터 수를 늘려 모델 용량을 확대하였다. 두 모델 모두 기존 FCN‑8/FCN‑16이나 U‑Net에서 사용되는 skip connection을 명시적으로 포함하지 않지만, 잔차 블록 내부의 shortcut이 암묵적인 정보 전달 역할을 수행한다. **실험 및 결과** 학습은 Adam 옵티마이저와 교차 엔트로피 손실을 사용했으며, 배치 크기와 학습률은 각 실험에 맞게 조정되었다. 평가 지표는 평균 교차합집합(mIoU)와 픽셀 정확도였다. Danet‑FCN2는 5개의 슬라이스만으로도 mIoU 99.1%를 달성했으며, 100슬라이스에서는 99.8%에 근접했다. Danet‑FCN3는 데이터가 충분히 많을 때(100슬라이스) 약간 높은 mIoU를 보였지만, 9슬라이스 이하에서는 과적합 현상이 나타나 성능이 저하되었다. 비교 대상인 전통적인 FCN‑8과 U‑Net은 동일한 제한 데이터 조건에서 95% 이하의 mIoU를 기록했다. 또한, 학습 시간 측면에서 Danet‑FCN2는 U‑Net 대비 30%~40% 빠른 수렴 속도를 보였다. **의의 및 한계** 전치 잔차 유닛을 활용한 디코더 설계는 업스케일링을 학습 기반으로 전환함으로써 경계선의 연속성을 크게 개선한다는 점에서 의미가 크다. 또한, 잔차 블록을 인코더와 디코더에 일관되게 적용함으로써 파라미터 수를 최소화하면서도 깊은 특징 표현이 가능해졌다. 이는 라벨링 비용이 높은 지구물리학 분야에서 소량의 라벨만으로도 실용적인 자동 세분화가 가능함을 증명한다. 다만, 현재 실험은 단일 데이터셋(Penobscot)과 인라인 슬라이스에만 국한되었으며, 다른 지진 데이터나 3D 전체 볼륨에 대한 일반화 검증이 부족하다. 또한, 전치 잔차 유닛은 연산 비용이 dilated convolution보다 다소 높아, 실시간 처리 요구가 있는 현장 적용에는 추가 최적화가 필요할 수 있다. **결론** 저자들은 전치 잔차 유닛 기반의 경량 디코더와 잔차 인코더를 결합한 Danet‑FCN2/3 모델을 제안하고, 제한된 라벨 데이터에서도 기존 최첨단 모델을 능가하는 성능을 입증하였다. 이 접근법은 지진 이미지와 같이 텍스처 중심의 고해상도 데이터에 특화된 의미분할 솔루션으로서, 향후 다양한 지구물리학 데이터셋 및 실시간 적용을 위한 확장 가능성을 제시한다.