Wildlife Metadata Fusion – 카메라트랩 이미지와 메타데이터를 결합해 종 분류와 오류 패턴을 분석하는 프로젝트

이미지 단독 분류를 넘어서, 야생동물 데이터를 더 잘 해석하는 분류 시스템

해커톤/공모전 정보: 데이터마이닝 수업 프로젝트 (2026년 1학기 예정, 추후 기록 예정)

🎯 Executive Summary

문제: 카메라트랩 야생동물 데이터는 빈 프레임, 클래스 불균형, 촬영 환경 차이, 메타데이터 누락/편향 때문에 단순 이미지 분류만으로는 안정적인 성능과 해석력을 확보하기 어렵다.
해결: 이미지 특징 + 메타데이터(time/location/camera context 등) 를 함께 활용하여 종 분류 성능을 비교하고, 어떤 조건에서 오류가 줄거나 늘어나는지 분석한다.
결과: 이미지 단독 baseline 대비 성능 변화, 종별 성능 차이, 메타데이터 결합에 따른 오류 패턴 변화 (추후 기록 예정)
다음 단계:
- 2주: 데이터셋 선정 및 baseline 구축
- 2개월: 이미지 단독 / 메타데이터 단독 / 결합 모델 비교 및 오류 분석
- 2분기: 시퀀스/행동 분석 문제로 확장 가능성 검토

1. 배경·목표

사용자/페르소나:
- 1차 사용자: 데이터마이닝 수업에서 문제 정의부터 해석까지 완결성 있는 프로젝트 를 수행해야 하는 학생
- 2차 사용자: 야생동물 이미지 데이터를 단순 분류가 아니라 맥락 정보까지 포함해 분석하고 싶은 연구/실무 지향 사용자
성공 기준(KPI):
- 이미지 단독 baseline 모델 구축 완료
- 메타데이터 단독 모델 구축 완료
- 이미지+메타데이터 결합 모델 구축 완료
- 최소 1개 이상의 평가 지표에서 결합 모델의 유의미한 차이 확인
- 종별/환경별/조건별 오류 패턴 분석 리포트 작성
- GitHub에 실험 과정, 결과, 한계, 향후 확장 방향까지 정리
범위(Out of scope):
- 대규모 end-to-end 딥러닝 재학습
- 실시간 서비스 배포
- 행동 인식/행동 예측 자체를 이번 프로젝트의 핵심 목표로 삼는 것
- 오픈소스 대규모 기여
- 새로운 detection 모델 설계

다이어그램(1장 첨부): (추후 제작 예정)
데이터 흐름/외부 의존성:
1. 카메라트랩 데이터셋 수집
2. 이미지/메타데이터 정제 및 공통 key 기준 병합
3. 실험용 subset 구성
4. 이미지 특징 추출
5. 메타데이터 feature engineering
6. 세 가지 실험 수행
  - 이미지 단독
  - 메타데이터 단독
  - 이미지+메타데이터 결합
7. 성능 비교 및 오류 패턴 분석
배포/CI·CD/롤백:
- 본 프로젝트는 서비스 배포보다 재현 가능한 실험 환경 구축 에 초점
- requirements 정리, 실험 로그 관리, 디렉토리 구조 표준화 중심
- CI/CD는 범위 밖이며 필요 시 최소 lint/test만 고려 (추후 기록 예정)

결론: 이미지 분류 단독 프로젝트가 아니라 이미지 + 메타데이터 결합형 데이터마이닝 프로젝트로 설계
- 버린 대안:
  - 단순 야생동물 이미지 분류
  - MegaDetector 실패 분석 단독 프로젝트
  - 행동 분석/시퀀스 마이닝 중심 프로젝트
- 근거:
  - 단순 분류는 주제가 평범해질 가능성이 큼
  - 실패 분석 단독은 실험 설계가 흔들릴 위험이 있음
  - 행동 분석은 장기적으로는 좋지만 3개월 수업 프로젝트로는 스코프 관리가 어려움
  - 결합형 구조는 완성 가능성, 분석 가치, 향후 확장성 의 균형이 가장 좋음
리스크 및 완화:
- 리스크: 메타데이터 품질이 낮거나 누락이 많을 수 있음 → 완화: 데이터셋 후보를 2~3개 비교 후 선정, 최소 사용 feature부터 시작
- 리스크: 위치 정보가 강한 shortcut이 되어 일반화 성능을 왜곡할 수 있음 → 완화: split 전략을 엄격히 설계하고 leakage 가능성 명시
- 리스크: 실험이 많아져 방향을 잃을 수 있음 → 완화: baseline → 비교 실험 → 오류 분석의 3단계만 핵심 범위로 고정