논문 제목: 엣지 강조 레이어: 이미지 분류를 위한 합성곱 네트워크에 사전 지식 주입하기

이미지 강화(Image enhancement)는 에지, 경계 또는 대비와 같은 특정 이미지 특징을 풍부하게 하는 과정을 의미한다. 주요 목적은 원본 이미지를 처리함으로써 시각화, 분류 및 세그멘테이션 작업의 전반적인 성능을 크게 향상시키는 것이다. 기존 기법들은 강화 동작을 제어하기 위해 수동으로 파라미터를 조정해야 하는 단점이 있다. 최근에는 컨볼루션 신경망(Convolutional Neural Network, CNN) 기반의 접근 방식이 이러한 기법들을 풍부한 전처리 단계로 활용하는 경우가 빈번하다. 본 연구에서는 유명한 언샤프 마스킹(Unsharp Masking) 알고리즘을 기반으로 한 최초의 내재적(Intrinsic) CNN 전처리 레이어를 제안한다. 제안된 레이어는 입력 이미지에 고주파 정보를 추가함으로써 이미지 강화에 대한 사전 지식을 도입하여 의미 있는 이미지 특징을 강조한다. 이 레이어는 모델 학습 과정에서 언샤프 마스킹 파라미터를 자동으로 최적화하며, 수동 개입 없이 작동한다. 제안된 방법의 성능을 두 가지 응용 분야에서 평가하였으며, 각각 CIFAR100 이미지 분류 및 PlantCLEF 식물 식별 챌린지이다. 실험 결과, 기존의 대표적인 CNN 모델들에 비해 각각 PlantCLEF에서 9.49%, 일반 목적의 CIFAR100에서 2.42%의 성능 향상을 달성하였다. 언샤프 강화 레이어의 설계는 간단한 CNN 모델에 대해 거의 무시할 수 있는 성능 부담을 감수하면서도 정확도를 뚜렷이 향상시키며, 사전 지식을 직접적으로 통합함으로써 모델의 강건성(Robustness)을 개선하는 데 기여함을 보여준다.