움직이는 물체를 놓치지 않는 능력은 로봇과 지능형 카메라의 기본이다. 그러나 물체가 다른 물건 뒤에 가려지거나 주변에 비슷한 물체가 나타나면 인공지능도 헷갈린다. 중국 연구진이 기존 영상 추적 모델을 크게 바꾸지 않으면서 이런 문제를 줄이는 방법을 제시했다. AI의 경쟁력을 모델 크기뿐 아니라 실제 운영 효율에서도 찾아야 한다는 점에서 눈길을 끈다.
중국과학원은 2026년 9월 18일 선양자동화연구소 연구팀이 개발한 영상 추적 기술 ‘PNPTrack’을 소개했다. 연구팀은 과거 영상에 담긴 정보를 활용하면서 모델의 모든 부분을 다시 학습할 필요가 없는 구조를 제안했다. 관련 연구는 국제학술지 《Expert Systems with Applications》에 실렸다.
핵심은 추적할 대상의 특징과 주변 배경의 특징을 나누어 활용하는 것이다. 대상과 관련된 정보는 더 잘 드러나게 하고, 혼동을 일으키는 배경 정보는 억제한다. 모델 일부는 학습 과정에서 그대로 유지해 바꿔야 할 부분을 줄였다. 연구진은 공개 데이터셋을 이용한 시험에서 추적 성능과 처리 효율을 함께 확인했다고 설명했다.
영상 추적은 사진 한 장에서 물체를 찾는 일보다 까다롭다. 예를 들어 창고에서 카메라가 특정 상자를 따라간다고 생각해 보자. 상자가 회전하면 처음과 다른 면이 보인다. 작업자가 앞을 지나가면 잠시 사라진다. 옆에 똑같이 생긴 상자가 놓이면 어느 것이 원래 대상인지 판단해야 한다. 현재 화면만 보는 것보다 앞선 장면을 적절히 참고하는 일이 중요한 이유다.
PNPTrack의 또 다른 특징은 과거 영상 정보를 활용하는 기능을 켜고 끌 수 있다는 점이다. 연구진이 말하는 ‘즉시 연결해 쓰는 방식’은 이런 설계를 가리킨다. 다만 이를 모든 카메라나 로봇에 설치만 하면 바로 작동하는 완제품으로 이해해서는 안 된다. 실제 장비에 적용하려면 사용하는 모델과 영상 조건에 맞춘 확인이 필요하다.
산업 현장에서 이런 접근이 갖는 의미는 분명하다. 기업이 이미 도입한 AI를 개선할 때마다 전체 시스템을 교체해야 한다면 비용 부담이 커진다. 기존 기능을 유지하면서 필요한 부분을 개선할 수 있다면 도입 계획을 세우기 쉬워진다. 성능을 조금 높이는 데 얼마의 시간과 장비가 필요한지까지 따져야 사업으로 이어질 수 있다.
가령 작은 공장이 물류 이동을 확인하는 카메라를 추가한다고 해 보자. 구매 비용 외에도 영상 처리 장치, 전력, 유지보수 인력까지 필요하다. 여기에 새로운 제품이 들어올 때마다 긴 재학습 과정이 발생하면 운영 부담이 늘어난다. 이런 현장에서는 최고 성능의 대형 모델보다 필요한 작업을 안정적으로 수행하는 효율적인 모델이 더 적합할 수 있다.
물론 공개 시험에서 좋은 결과를 얻었다고 현장 성능까지 보장되는 것은 아니다. 어두운 창고, 반사광이 강한 금속 표면, 흔들리는 카메라처럼 실제 환경에는 다양한 변수가 있다. 시험 영상에서 드물었던 상황이 특정 공장에서는 매일 반복될 수도 있다. 도입 전에는 그 현장에서 촬영한 자료로 성능을 다시 확인해야 한다.
한국이 참고할 부분도 여기에 있다. 이번 중국 연구가 기존 추적 모델의 개선 부담을 낮추는 방법을 보여줬다면, 한국 기업은 이를 실제 생산·물류 조건에서 검증하는 과제로 연결할 수 있다. 어느 나라 모델이 더 크다는 비교보다 같은 장비와 같은 영상에서 얼마나 안정적으로 일하는지를 비교하는 편이 현장에 도움이 된다.
평가표도 구체적이어야 한다. 대상의 위치를 얼마나 정확히 찾았는지, 한 장면을 처리하는 데 얼마나 걸렸는지, 장시간 작동할 때 메모리를 얼마나 쓰는지를 함께 기록해야 한다. 물체를 놓친 뒤 다시 찾는 시간과 비슷한 물체로 추적 대상이 바뀌는 횟수도 중요하다. 평균 점수만으로는 현장에서 겪을 불편을 충분히 설명하기 어렵다.
기능을 개선한 뒤 다른 문제가 생기지 않는지도 살펴야 한다. 상자는 잘 추적하지만 사람이 지나갈 때 오류가 늘어난다면 작업 목적에 따라 도입 판단이 달라질 수 있다. 소프트웨어를 업데이트할 때는 이전 버전과 비교한 기록을 남기고, 문제가 생겼을 때 되돌릴 방법을 마련하는 것이 바람직하다.
중소기업에는 공동 시험 환경이 도움이 될 수 있다. 개별 기업이 다양한 조명과 가림 현상을 모두 재현하기는 어렵기 때문이다. 대학과 연구기관, 장비 업체가 실제 산업 영상을 바탕으로 공통 평가 자료를 만든다면 기술을 고르는 부담을 줄일 수 있다. 이때는 현장 정보와 작업자의 개인정보가 불필요하게 공개되지 않도록 자료를 준비해야 한다.
성능을 높이는 연구와 제품을 오래 운영하는 능력은 함께 발전해야 한다. 개발자는 모델의 점수를 설명하고, 현장 담당자는 어떤 오류가 작업을 멈추게 하는지 알려줘야 한다. 두 평가가 연결될 때 연구 결과가 실제 비용 절감과 작업 안정성으로 이어질 가능성이 커진다.
PNPTrack이 던지는 질문은 실용적이다. 이미 가진 AI를 얼마나 효율적으로 개선할 수 있는가. 한국의 영상 인식 산업도 정확도와 함께 도입 시간, 유지보수 부담, 장비 호환성을 경쟁력으로 삼을 필요가 있다. 현장에서 오래 쓰이는 AI의 가치는 이런 세부 조건에서 드러난다.
[참고자료]
中国视觉跟踪研究关注效率与精度
Zhōngguó shìjué gēnzōng yánjiū guānzhù xiàolǜ yǔ jīngdù
中国研究人员提出了名为PNPTrack的视觉跟踪框架。
Zhōngguó yánjiū rényuán tíchū le míngwéi PNPTrack de shìjué gēnzōng kuàngjià.
它利用目标和背景的历史信息，改善跟踪效果。
Tā lìyòng mùbiāo hé bèijǐng de lìshǐ xìnxī, gǎishàn gēnzōng xiàoguǒ.
这一方法不需要重新训练模型的全部参数。
Zhè yī fāngfǎ bù xūyào chóngxīn xùnliàn móxíng de quánbù cānshù.
不过，公开测试的成绩不能直接代表工厂里的实际表现。
Búguò, gōngkāi cèshì de chéngjì bù néng zhíjiē dàibiǎo gōngchǎng lǐ de shíjì biǎoxiàn.
韩国企业可以结合自己的生产环境，比较精度、速度和维护成本。
Hánguó qǐyè kěyǐ jiéhé zìjǐ de shēngchǎn huánjìng, bǐjiào jīngdù, sùdù hé wéihù chéngběn.
让人工智能长期稳定地工作，是技术走向应用的重要条件。
Ràng réngōng zhìnéng chángqī wěndìng de gōngzuò, shì jìshù zǒuxiàng yìngyòng de zhòngyào tiáojiàn.
){kind=small}
){kind=small}
){kind=small}
){kind=small}