AI-World-Story

모로코의 시디 모하메드 벤 압델라 대학교(Sidi Mohamed Ben Abdellah University) 연구진은 제한된 메모리와 연산 능력을 갖춘 엣지 기기(Edge devices)에서 높은 정확도로 폐기물을 분류할 수 있는 경량 CNN 프레임워크를 개발했습니다. 연구진은 MobileNetV4 모델을 교사 모델로 활용하여 LCNet-0.5 등 세 가지 경량 모델을 학습시켰으며, 그 결과 LCNet-0.5가 0.58MB의 매우 작은 모델 크기로도 94.18%의 높은 정확도를 기록함을 확인했습니다.  이 연구는 복잡한 서버 없이도 스마트 쓰레기통 등 현장에서 실시간 폐기물 분류를 가능하게 하는 기술적 토대를 마련했다는 점에서 의미가 큽니다. 쓰레기 분류 자동화, 왜 경량화 기술이 필요한가 쓰레기 분류 자동화는 도시 환경 개선과 재활용률 향상을 위한 핵심 기술이지만, 기존의 강력한 합성곱 신경망(CNN) 모델은 많은 메모리와 높은 컴퓨팅 자원을 요구해 저사양 엣지 기기에 탑재하기 어렵다는 한계가 있습니다.  특히 스마트 쓰레기통이나 이동형 분류 장치와 같은 'TinyML'급 환경에서는 모델의 크기가 수 메가바이트(MB) 이하로 제한되어야 하므로, 정확도와 모델 크기 사이의 최적 균형점을 찾는 것이 매우 중요합니다. 폐기물 분류 정확도와 모델 크기, 어떤 관계인가 이번 연구에서 테스트한 모델들 중 LCNet-0.5는 모델 크기를 1MB 미만으로 유지하면서도 94.18%라는 높은 분류 정확도를 달성하여 가장 효율적인 후보로 선정되었습니다.  연구진은 EfficientNet-Lite0, LCNet-0.5, MobileNetV3-Small-0.5 세 가지 모델을 TrashNet 데이터셋으로 평가한 결과, 모델의 파라미터 수가 적을수록 메모리 점유율이 획기적으로 낮아지면서도 정확도는 충분히 실무에 적용 가능한 수준으로 유지됨을 입증했습니다. 지식 증류(Knowledge Distillation)는 정확도 향상을 보장하는가 지식 증류 기법은 고성능...

  보행(Gait) 생체인식은 사람의 걸음걸이만으로 신원을 확인할 수 있는 비접촉식 생체인식 기술이다. 하지만 옷을 바꾸거나 가방을 드는 것처럼 외형을 의도적으로 바꿔 인증 시스템을 속이는 '프레젠테이션 공격(Presentation Attack)'에는 취약하다는 한계가 있었다.  이번 연구에서는 이 문제를 해결하기 위해 GaitSpoofNet 이라는 비전 기반 보행 스푸핑 탐지 프레임워크를 제안하고, GRU·LSTM·Mamba 등 최신 시공간 딥러닝 모델을 비교 평가했다. 연구 결과 공개 환경에서는 GRU 기반 모델이 검증 정확도 98.40%, ROC-AUC 0.9983 을 기록했고, 제한된 출입 환경에서는 LSTM 기반 모델이 가장 우수한 일반화 성능 을 보였다. 이러한 결과는 보행 생체인식 시스템의 보안성을 높이는 실질적인 기준을 제시했다. 왜 보행 생체인식은 스푸핑 공격에 취약할까? 보행 생체인식은 얼굴이나 지문과 달리 멀리 떨어진 거리에서도 사람을 식별할 수 있다는 장점이 있다. CCTV만으로도 인식이 가능하기 때문에 공항, 공공시설, 스마트시티, 국방 분야에서 활용 가능성이 높다. 하지만 공격자가 두꺼운 외투를 입거나 가방을 들고 걷는 등 외형을 의도적으로 변경하면 실루엣이 달라지면서 인증 시스템을 속일 수 있다. 이러한 공격은 Presentation Attack(PA) 으로 분류되며, 기존 연구에서는 얼굴이나 지문 분야에서는 활발히 연구됐지만 보행 인식에서는 상대적으로 연구가 부족했다. 특히 기존 보행 스푸핑 연구 대부분은 스마트폰 센서나 웨어러블 장치의 가속도 데이터를 활용했으며, 실제 CCTV 영상처럼 카메라 기반 환경을 대상으로 한 딥러닝 기반 스푸핑 탐지 모델은 거의 존재하지 않았다. 이번 연구는 이러한 공백을 메우는 것을 목표로 했다. 연구진은 어떤 방식으로 보행 스푸핑을 탐지했을까? 이번 연구는 기존 보행 인식 데이터셋인 CASIA-B 를 스푸핑 탐지용으로 재구성했다. 총 124명...