객체 탐지 배포를 위한 비용–안정성 프레임워크: 감사 가능한 강건 모델– 임계값 선정 = Cost–Stability Framework for Object Detection Deployment: Auditable Selection of Robust Model– Threshold Pairs

국문 초록 (Abstract)

객체 탐지 기술은 제조, 자율 주행, 의료 영상 등 다양한 산업 수요에 힘입어 발전해왔으나, 학계의 사실상 표준 평가 지표인 mAP(mean Average Precision)와 실제 산업 현장의 배포 요구사항 간에는 괴리가 존재한다. mAP는 단일 운영 임계값과 무관하게 전반 성능을 요약해 유용하지만, 배포 실무자가 직면하는 (i) 단일 운영 임계값 선정의 딜레마, (ii) 도메인별 비대칭적 오류 비용(e.g., 거짓 긍정 vs. 거짓 부정) 미반영 문제, (iii) 사소한 분포 변화에도 성능이 급락할 수 있는 강건성 문제를 해결하지 못한다. 본 논문은 이러한 현실적 문제의식을 바탕으로, 국지적 강건성 최적화(선정)와 일반화 안정성 보증(감사)을 하나의 절차로 통합한 객체 탐지 배포를 위한 비용–안정성 프레임워크를 제안한다. 핵심은 선정 단계에서 도메인 요구(오류 비용, 위치 중요도)를 반영하여 LRP 지표를 재매개화한 csLRP와, 나아가 임계값 주변의 국지적 강건성 밴드(w)까지 고려한 DSR-LRP 목적함수를 통해 최적의 모델–임계값 쌍을 선택하는 것이다. 이때 임계값은 검증 세트에서 탐색/고정하며, 감사 단계에서는 선정된 쌍이 보지 못한 평가 데이터셋으로 전이될 때의 성능 저하율이 사전에 정의된 안정성 허용 한도를 만족하는지 부트스트랩 상한으로 검증하여 배포 신뢰성을 보증한다. 프레임워크의 실효성을 검증하기 위해 의료(혈액 세포), 공공 안전(산불 연기), 인프라(포트홀), 제조(반도체 센서) 등 4개의 이질적인 도메인 시나리오에 3가지 다른 아키텍처 모델과 2가지 방식의 체크 포인트를 적용한 결과, 제안 프레임워크는 엄격한 안정성 요구사항(5%)을 만족하는 후보가 없을 경우 배포를 중단시키거나(시나리오 2), 일반화 안정성이 낮은 불안정한 후보들을 성공적으로 필터링(시나리오 3, 4)하는 안전 게이트로 동작함을 보였다. 특히, 프레임워크가 최종 선정한 모델–임계값 쌍은 스트레스 테스트 환경에서도 가장 우수한 운영 성능과 강건성을 보였다. 본 연구는 실무자의 경험이나 주관적 판단에 의존하던 객체 탐지 모델의 배포 의사결정 과정을, 데이터 기반의 투명하고, 반복 가능하며, 감사 가능한 공학적 워크플로우로 전환한다는데 의미가 있다.

다국어 초록 (Multilingual Abstract)

Object detection has been widely adopted across industries, including manufacturing, autonomous driving, and medical imaging. However, a significant gap persists between the de facto standard metric, mAP (mean Average Precision), and the practical demands of real-world deployment. While mAP effectively summarizes general performance independent of any single operating threshold, it fails to address critical practitioners’ dilemmas: (i) selecting a single, optimal operating threshold; (ii) accounting for domain-specific, asymmetric error costs (e.g., false positives vs. false negatives); and (iii) ensuring robustness against minor distribution shifts that can cause performance to collapse. To address this gap, this paper proposes a Cost–Stability Framework for object detection deployment, which integrates local robustness optimization (selection) with generalization stability assurance (audit) into a unified procedure. The framework's core involves two stages. First, the selection stage identifies the optimal model–threshold pair by optimizing DSR-LRP, a novel objective function. DSR-LRP builds on csLRP—a re-parameterization of the LRP metric reflecting domain-specific error costs and localization importance—by also minimizing performance variance within a local robustness band (w). This threshold optimization is performed and fixed strictly on the validation set. Second, the audit stage ensures deployment reliability. It verifies that the selected pair's performance degradation—when generalized to the unseen test dataset—remains within a predefined stability tolerance, a check enforced using a statistical bootstrap upper bound. We validated the framework's efficacy across four heterogeneous domains (blood cells, wildfire smoke, potholes, semiconductor sensors), using three distinct architectures and two checkpointing strategies. The results demonstrate that the framework functions as a critical safety gate: it correctly halts deployment when no candidate meets the strict stability requirements (Scenario 2) and successfully filters candidates with poor generalization stability (Scenarios 3 & 4). Critically, the model–threshold pair ultimately selected by the framework also exhibited superior operational performance and robustness under stress-test conditions. This study's primary contribution is the transformation of model deployment—a process often reliant on subjective practitioner judgment—into a data-driven, transparent, repeatable, and auditable engineering workflow.

목차 (Table of Contents)

• 제1장 서 론 1
• 1. 연구배경 및 목적 1
• 2. 실무자 중심의 객체 탐지 지표 검토 3
• 제2장 본 론 8
• 1. 방법론 8
• 가. 후보군 수집 8
• 나. 비즈니스 요구사항 및 도메인 지식 추출 9
• 1) 감사 기준 (배포 허용 요건) 9
• 2) 선정 기준 (도메인 최적화를 위한 지식 정량화) 10
• 다. 비용–안정성 기반 임계값 선정 11
• 1) 비용-민감 단일점 지표(csLRP): LRP의 재매개화 11
• 가) 기본 정의 (Standard LRP) 11
• 나) 재매개화(cost-sensitive LRP, csLRP) 12
• 2) 도메인 특화 국지 강건 목적함수 (DSR-LRP) 12
• 3) 선정 원칙과 기록 13
• 라. 일반화 안정성 감사 14
• 1) 감사 방식(열화 게이트 감사) 14
• 2) 판정(안정 후보 집합 도출) 15
• 마. 최종 모델-임계값 쌍 선택 15
• 2. 실험 16
• 가. 실험 설정 17
• 1) 후보 모델 아키텍처 17
• 2) 후보군 구성 17
• 3) 학습 및 평가 프로토콜 18
• 나. 데이터 셋 소개 19
• 1) 시나리오 1: 의료 영상 분석 (혈액 세포 데이터셋) 20
• 2) 시나리오 2: 공공 안전 (산불 연기 데이터셋) 21
• 3) 시나리오 3: 인프라 관리 (포트홀 데이터셋) 22
• 4) 시나리오 4: 제조 품질 관리 (제조공정 센서 데이터셋) 22
• 다. 선정 지표의 타당성 검증 (Ablation Study) 24
• 1) 위치 품질을 반영한 선정 지표 24
• 2) 국지적 강건성을 반영한 지표 25
• 3) DSR-LRP 채택의 타당성 요약 27
• 라. 통합 프레임워크 적용 및 최종 결과 27
• 1) 시나리오 1: 의료 영상 분석 (혈액 세포 데이터셋) 27
• 2) 시나리오 2: 공공 안전 (산불 연기 데이터셋) 29
• 3) 시나리오 3: 인프라 관리 (포트홀 데이터셋) 31
• 4) 시나리오 4: 제조 품질 관리 (제조공정 센서 데이터셋) 33
• 제3장 결 론 36
• 1. 연구 요약 및 의의 36
• 2. 주요 학술적 기여 37
• 3. 연구의 한계 및 향후 과제 38