[CCTV뉴스=신동훈 기자] 보안 업계 데이터 스토리지 장치는 방대한 양의 로우(Raw) 데이터를 정기적으로 처리해야 한다. 다양한 규모의 안전도시 프로젝트가 진행됨에 따라 감시 노드의 수는 수백 만대에 달했다. 또한 고화질 CCTV의 광범위한 사용과 모니터링으로, 영상 감시와 관련된 데이터 양이 단기간 급격하게 증가했다. 데이터의 효율적인 수집, 분석, 애플리케이션의 지능적 활용 등이 점점 더 중요하게 대두되고 있다. 따라서, 지능형 영상 기능을 개선하는 것은 피할 수 없는 업계 전반의 목표가 되고 있다. 

보안 담당자는 신제품에 대한 투자가 단순히 이벤트 알림 후 객체 추적 혹은 특정인 추적 외에 훨씬 더 많은 혜택이 있기를 바란다. 몇 가지 예를 든다면, 일정 채널 당 필요한 CCTV 모니터링 요원을 대체하고 비정상적인 상황을 감지하며 사건 발생시 보다 효율적인 추적 혹은 미리 사전 경보를 해주는 것 등이다. 이러한 요구 사항을 충족하기 위해서는 새로운 기술이 필요하다. 지난 수 년간, 다양한 지능형 영상 감시 시스템이 출시됐지만, 보안 담당자들이 원하는 이상적인 결과를 가져오진 못했다. 딥 러닝의 출현은 이러한 요구들이 현실화하는데 도움을 줄 것이다.

전통적인 지능형 알고리즘의 재해석

전통적인 지능형 영상 보안 감시 기능은 씬(Scene)에 대한 엄격한 요구 사항을 충족한다. 이 같은 이유는 유사한 시나리오에서 지능형 인식과 분석의 정확도는 일관성이 없기 때문인데 이는 기존 지능형 영상 분석 알고리즘이 여전히 많은 단점을 갖고 있어서이다. 얼굴 인식과 같은 지능형 인식과 분석 과정에서는 두 가지 핵심 단계가 필요하다. 첫 번째가 특징 추출(Features are extracted), 두 번째가 분류 학습(Classification Learning)이다. 

첫 번째 단계의 정확도는 알고리즘의 정확도를 직접적으로 결정한다. 실제 대부분 시스템 산출과 테스트 워크 로드는 이 부분에서 소비된다. 전통적인 지능형 알고리즘의 특징은 인간에 의해 설계됐고 항상 주관적이었다. 더 추상적인 특징들은 인간이 이해하거나 묘사하는데 어려움을 겪기 때문에 불가피하게 놓치고 있다. 각도에 따른 변화와 조명 세기, 특히 샘플 크기가 방대할 경우 많은 기능이 감지하기 어렵게 된다. 그렇기 때문에 전통적인 지능형 알고리즘은 샘플룸 등 특정한 환경에서 잘 수행되는 반면, 다변화된 환경(이미지 화질, 환경 변화 등)에서는 정확도에 상당한 영향을 미친다.

두 번째 단계인 분류 학습은 주로 표적 탐지와 행동 인식을 포함하고 있다. 분류에 이용되는 범주가 증가함에 따라 난이도는 더욱 높아진다. 따라서, 전통적인 지능형 분석 기술은 차량 분석에서 매우 정확하지만 인간과 사물 분석에서는 정확도가 떨어진다. 예를 들어 차량 감지 시 차와 차가 아닌 물체와 구별이 이뤄지므로 분류가 간단하고 난이도가 낮다. 차량 특성을 인식하려면 다양한 차량 디자인, 로고 등을 인식해야 한다. 하지만 분류해야 할 것들이 상대적으로 적어 일반적으로 분류 결과가 정확하게 나타난다. 반면 얼굴 인식은 각각의 사람들 그 자체를 분류해야 하고 그에 상응하는 범주는 매우 높은 난이도로 이어질 수 있다.

전통적인 지능형 알고리즘은 일반적으로 복잡한 분류에서 많은 양의 데이터를 처리하는 상황을 다루기 위해 얕은(Shallow) 학습 모델을 사용한다. 분석 결과는 가장 알맞은 결과값과 거리가 멀다. 이런 결과는 지능형 애플리케이션의 심층적이고 폭 넓은 개발을 제한한다. 따라서, 보안 업계에서 빅데이터에 대한 인텔리전스의 ‘심층(Depth)’을 증가시킬 필요성이 대두되고 있다.

딥 러닝과 그 알고리즘이 가진 장점 

전통적인 지능형 알고리즘은 인간에 의해 설계됐다. 그들이 디자인한 것이든 아니든, 결과는 경험과 심지어 운에 달려 있다. 또한 이 과정은 많은 시간이 소요된다. 그렇다면, 기계가 자동적으로 기능들을 배우도록 하는 것은 어떨까? 그렇다! 이것이 실제 인공 지능의 목표이다.

딥 러닝에 대한 영감은 인간의 뇌 신경(Neural) 네트워크에서 나온다. 우리의 뇌는 매우 복잡한 딥 러닝 모델을 상상해 볼 수 있다. 뇌 신경 네트워크는 수십억 개의 서로 연결된 뉴런(Neurons, 신경 세포)들로 이뤄져 있다. 딥 러닝은 이 구조를 시뮬레이션한다. 이러한 다층(Multi layer) 네트워크는 정보를 수집하고 해당 작업을 수행할 수 있다. 또한, 객체 추론(Object abstraction)과 재현(Recreation)이 가능하다. 
딥 러닝은 심층적으로 다른 알고리즘과는 다르다. 전통적인 알고리즘의 부족함을 해결하는 방법은 다음과 같은 측면에 포함된다.