AI 학습에 꼭 필요한 데이터만 압축해 추려내는 기술을 CCTV 영상에서 동일한 사람이나 차량을 찾는 기술에 최초로 적용한 연구가 나왔다. 방대한 영상 데이터를 통째로 학습시키는 대신 알짜 데이터만 골라 학습해도 비슷한 성능을 낼 수 있어, AI 학습에 드는 저장 공간과 시간을 크게 줄일 수 있을 것으로 기대된다.

인공지능대학원 심재영 교수팀은 재식별에 특화된 코어셋 선택 기술인 'CSOR(Coreset Selection for Object Re-identification)'을 개발했다.

코어셋 선택은 방대한 원본 데이터에서 AI 학습에 꼭 필요한 소규모 대표 데이터를 압축해 추려내는 기술이다. 전체 데이터를 반복 학습시키지 않아도 돼 학습 시간, GPU 사용량, 전력 소모를 동시에 줄일 수 있어 AI 학습 비용을 낮추는 기술로 주목받고 있다.

연구팀은 이러한 코어셋 선택 기술을 재식별 AI 학습에 효과적으로 적용하기 위해 2단계를 개발했다. 재식별은 서로 다른 카메라 영상에서 동일한 사람이나 차량 등을 찾아내는 기술이다.

제1저자인 오민영 UNIST 연구원은 “재식별 AI는 학습 때 보지 못한 전혀 새로운 사람이나 차량을 평가에서 구별해야 한다는 점에서 기존 분류용 코어셋 기술을 그대로 적용하기 힘들다”며 “이 차이에서 출발해 재식별에 맞는 기준을 처음부터 새롭게 설계했다”고 설명했다.

CSOR은 먼저 비슷한 모습이 반복돼 다양성이 낮은 사람·차량의 데이터 묶음을 걸러낸 뒤, 남은 데이터 묶음에서는 전체 모습을 가장 폭넓게 대표할 수 있는 사진을 우선 선별하는 2단계를 거친다.

기존 이미지 분류용 코어셋이 전체 데이터를 잘 대표하는 샘플을 고르는 데 초점을 맞췄다면, CSOR은 여기에 같은 사람이나 차량의 다양한 모습까지 고려해 적은 데이터로도 새로운 대상을 구별하는 데 필요한 정보를 충분히 학습할 수 있도록 설계한 것이다.

실험 결과, 전체 데이터의 약 절반만 사용하고도 전체 데이터로 학습했을 때의 95% 이상 성능을 달성했다.

심재영 교수는 “재식별 데이터는 주로 동영상으로 얻기 때문에 같은 사람이나 차량이 연속된 장면에 반복해서 등장해 중복 데이터가 빠르게 쌓인다”며 “이번에 개발한 CSOR은 이러한 중복을 줄이면서도 재식별에 필요한 다양한 정보는 남길 수 있어, 저장 용량과 연산 자원이 제한된 엣지 디바이스에서도 재식별 AI를 효율적으로 학습하고 운용하는 데 도움이 될 것”이라고 밝혔다.

이번 연구는 세계 3대 AI 학회 중 하나인 국제머신러닝학회(ICML, International Conference on Machine Learning) 2026에 채택됐다. ICML 2026은 7월 서울 코엑스에서 개최됐다.

이번 연구는 과학기술정보통신부의 재원으로 한국연구재단(NRF)의 ‘중견연구사업’ 및 정보통신기획평가원(IITP)의 ‘인공지능대학원지원사업’, ‘AI 스타펠로우십사업’, ‘산업융합형 멀티모달 생성 인공지능 인재양성’ 사업의 지원을 받아 수행됐다.