고객에게 뚜렷한 경험을: 컬리의 후기 이미지 처리 기술

컬리는 후기 이미지에서 흐린 사진을 더 정확히 찾아 검토 업무를 효율화하려 했지만, 기존 푸리에 변환 기반 탐지 결과는 일관성이 낮았습니다. 픽셀 분포 비교와 BDNet 등 CNN 분류를 시도했으나 두 이미지 집단의 차이가 작고 학습 데이터에 과적합이 생겨 성능 개선에 한계가 있었습니다. 이에 이미지 전체의 흐림보다 윤곽선의 선명도에 주목해 라플라시안 필터를 적용하고, 변환 이미지의 픽셀 표준편차를 기준으로 삼았습니다. 임계값을 조정한 결과 탐지 이미지의 약 90%가 실제 흐린 이미지였으며, 딥러닝이 항상 최선은 아니고 문제 특성에 맞는 단순한 규칙 기반 접근이 효과적일 수 있음을 확인했습니다.

• 분류 모델을 바꾸기 전에 라벨 간 실제 데이터 차이가 충분한지 먼저 확인하세요.
• CNN의 합성곱·풀링은 이미지 정보를 줄일 수 있어, 전체적인 흐림 정도를 판단하는 문제에는 적합하지 않을 수 있습니다.
• 라플라시안 필터로 윤곽선을 추출한 뒤 픽셀 값의 표준편차를 비교하면 선명도를 간단한 규칙으로 측정할 수 있습니다.
• 오탐 비용이 더 크다면 임계값을 보수적으로 조정해 precision을 우선할 수 있습니다.