논문 상세보기
자율주행 데이터의 클래스 라벨 노이즈 집중도에 따른 인공지능 학습모델의 성능 임계구간 분석
Analysis of Performance Threshold Ranges of AI Learning Models According to Class Label Noise Concentration in Autonomous Driving Data
- 언어KOR
- URLhttps://db.koreascholar.com/Article/Detail/453640
최근 자율주행 분야에서 인공지능 학습데이터의 활용과 유통이 확대됨에 따라, 데이터 품질이 모델 성능에 미치는 영향을 정 량적으로 평가할 수 있는 기준 마련의 필요성이 증가하고 있다. 이에 본 연구는 자율주행 객체검출 데이터에서 클래스 라벨 노 이즈의 비율과 구조에 따라 인공지능 학습모델의 성능 변화 임계구간을 분석하였다. AI Hub의 주간 자동차 전용도로 데이터에 서 Vehicle, TrafficSign, TrafficLight, Pedestrian 4개 클래스를 대상으로 학습 29,600프레임, 검증 7,400프레임, 시험 18,920프레임 을 구성하였다. 라벨 노이즈율은 10~90%로 설정하고, 오답이 나머지 3개 클래스에 분산되는 Symmetric, 2개 클래스에 분산되는 Conditional, 1개 클래스에 집중되는 Pair 구조를 적용하였다. 정상 조건 1개와 노이즈 조건 27개에 대해 YOLOv8m을 동일한 설 정으로 학습하고, mAP@0.5:0.95와 강건성 지수(RI)를 측정하였다. 정상 모델의 mAP@0.5:0.95는 0.4409였으며, Symmetric 구조는 노이즈율 50%에서도 성능 저하율이 3.28%에 그쳤다. 반면 성능이 가장 크게 하락한 구간은 Pair 40~50%, Conditional 60~70%, Symmetric 70~80%로 나타나 구조별 임계구간에서 최대 30%p의 차이가 확인되었다. 임계구간의 성능 감소 폭은 이전 구간보다 약 22~60배 증가하였다. 강건성 지수는 Symmetric 0.86, Conditional 0.76, Pair 0.75로, 오답이 하나의 클래스에 집중될수록 모델 의 강건성은 낮아지는 것으로 나타났다. 이러한 결과는 인공지능 학습데이터의 품질을 평가할 때 단순한 라벨 노이즈율뿐만 아 니라 오답의 집중도를 함께 고려할 필요가 있음을 시사한다. 본 연구 결과는 향후 자율주행 학습데이터의 품질등급 체계와 인 공지능 모델 성능 기반 데이터 품질평가 기준을 마련하기 위한 기초자료로 활용될 수 있다.
