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 프로젝트를 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