마이크로소프트 AI for Good 연구진이 재난 직후 건물별 피해 지도를 만드는 노코드 플랫폼 HASTE를 공개했다. 기존 최고 모델이 같은 위치의 재난 전후 영상과 비슷한 과거 재난 학습자료를 요구하는 반면, HASTE는 재난 후 영상 한 장과 현지 분석가가 표시한 소수 라벨만 사용한다.
첫 방식은 분석가가 장면에 다각형 라벨을 그리면 ResNeXt-50 인코더의 U-Net을 그 장면 전용으로 학습하고, 픽셀 피해를 기존 건물 외곽선과 결합한다. 두 번째는 사전학습 비전 모델이 각 건물 내부 패치 특징을 미리 계산하고, 브라우저에서 몇 개 건물 라벨로 로지스틱 회귀를 즉시 다시 맞춘다. 전자는 1~2시간, 후자는 수초 단위 반복에 맞췄다. 운영 사례와 예비 실험의 출처는 동료검토 전 기술보고서 arXiv:2607.11838이다.
xBD의 재난별 라벨 예산을 1~50%로 바꿔 5회 무작위 추출한 예비 실험에서 강한 임베딩은 1% 라벨만으로 매크로 ROC-AUC 0.84를 기록했다. 같은 1%로 종단 미세조정한 ResNet-50은 0.77이었다. 임베딩 방식은 5% 라벨에서 모든 라벨을 쓴 ResNet-50과 맞먹고, 10%에서는 0.91로 전체 라벨 기준 0.88을 넘었다.
1024차원 특징에서 브라우저 WebGPU는 통합 Adreno 노트북에서 초당 약 10만, M1 Max에서 약 145만 건물을 점수화했다. 플랫폼과 전신 시스템은 2023년 이후 30건 넘는 실제 재난 대응을 지원했다. 2023년 라하이나 산불에서는 영상 수신 뒤 4시간 안에 1700개 피해 건물을 식별하고 약 97% 정확도·99% 재현율·96% 정밀도로 검증했다.
| xBD 비교 조건 | 매크로 ROC-AUC |
|---|---|
| 임베딩·라벨 1% | 0.84 |
| ResNet-50 종단 미세조정·라벨 1% | 0.77 |
| 임베딩·라벨 10% | 0.91 |
| ResNet-50·전체 라벨 | 0.88 |
xBD 결과는 임베딩 방식만 본 예비 실험이며 장면 전용 분할 방식과의 정합 비교는 아직 없다. 외곽선 누락, 구름, 센서·관측각 변화와 사람이 준 라벨 편향이 결과를 좌우하고 실제 대응 수치는 재난마다 검증 조건이 다르다.
저작권자 © STORIUM 무단전재 및 재배포 금지
