I. 서론
II. 색각이상자를 위한 지도의 색상 변환 추천 시스템
1. 색각이상자를 위한 지도의 색상 변환 추천 시스템 개요
2. 지도의 색상 변환
3. 지도의 색상 변환을 위한 설문조사
4. NCF를 활용한 추천시스템 개발
III. 결과
1. NCF 결과
2. 색상 변환 추천 시스템 결과
IV. 결론
I. 서론
지도는 목적에 따라 다양한 색이 활용되며 지도에서의 색은 곧 정보를 의미한다. 색각이상자들은 원추세포의 손상으로 인하여 지도 내에서 표현된 색상을 정상색각자처럼 구별할 수 없기 때문에, 지도를 통하여 얻을 수 있는 정보의 양이 적으며 잘못된 정보를 얻을 수도 있다(신휴석 등, 2010). 정재준(2016)에 의하면 지도에서 지형의 고도와 바다의 수심 등을 인지하는데 어려움이 있다. 전 세계 남성 인구의 약 8%, 여성 인구의 약 0.5%가 색각 이상이다(Pokorny et al., 1979). 또한 2013년 국민건강영양조사 결과, 만 19~49세의 한국인의 전체 3.9%, 남성 인구의 6.5%, 여성 인구의 1.1%가 색각 이상으로(Kim and Ng, 2019) 적지 않은 수의 색각이상자를 위한 지도의 제작은 필요하다.
미국과 캐나다의 신호등, 국내의 색각이상자를 고려한 지하철 노선도 등 세계적으로 색각이상자를 고려한 정보 제공의 시도가 지속되고 있다(정재준, 2016). 국내에서는 색각이상자를 위한 지도에도 관심이 많아지고 있는 추세이다. 국토지리정보원은 색각이상자용 지도를 제작하여 2022년 7월부터 국토정보플랫폼에서 대한민국전도, 대한민국주변도, 세계지도를 대상으로 무상 서비스를 실시하였다. 또한 온맵(5k, 25k, 50k), 지형도(25k, 50k)도 제공되고 있으며 색각 이상의 종류에 따라 다르게 변환하는 서비스를 제공하고 있다. 특히 국토지리정보원에서 제공하고 있는 색각이상자를 위한 지도는 23년 국제지도 컨퍼런스(International Cartographic Conference)에서 수상하였다. 그러나 현재 제공되고 있는 서비스는 색각 이상의 종류에 따라 제공되고 있지만, 개인의 색각 이상의 강도를 고려할 수 있게 지도 제작 알고리즘에 개선이 필요한 것으로 판단된다.
색각 이상은 원추세포의 이상에 의해 발생하고, L 원추 세포에 이상이 있을 경우 제1 색각 이상, M 원추 세포에 이상이 있을 경우 제2 색각 이상, S 원추 세포에 이상이 있을 경우 제3 색각 이상이 나타난다(Barry, 2007). 이때 사람마다 다른 정도의 색각 이상을 갖고 있으므로 개인에 따라 다른 색상 변환이 필요하다. 개인의 색각 이상 정도를 고려하지 않으면, 구별이 가능하던 색이 구별되지 않는 색으로 변하거나, 과도하게 색이 변하여 부자연스러워지는 문제가 발생한다. 그렇기 때문에 개인의 색각이상 정도가 반영된 색각이상자용 지도 제작이 필수적이다. 또한 국토지리정보원에서 제공하고 있는 지도뿐 아니라 다른 지도도 색각이상자가 알아볼 수 있는 지도로 변환이 가능하도록 연구가 필요하다.
현재, 색각 이상을 치료하는 방법은 아직 존재하지 않기에 색각 이상을 보정해주는 방법을 사용하고 있다. 색각이상자의 색상에 대한 지각은 이미지의 색 공간 변환을 활용하여 개선될 수 있으며 디지털 멀티미디어 시대에 색을 통한 정보의 전달이 증가하며 이에 대한 연구 필요성이 증가하고 있다(Shen et al., 2021). 신휴석 등(2012)은 색의 차이를 인지할 수 있는 색 조합에 관한 연구, 박성범 등(2023)은 디스플레이에서의 색상 변환에 관한 연구, 그리고 Fischer et al.(2020)은 신경 세포에 관한 연구 등 색각이상자를 위해 다양한 연구가 진행되었다. 그리고 Ebelin et al.(2023)을 포함한 여러 연구에서 색상 변환 기법을 지속적으로 발전되고 있다.
본 연구에서는 기존에 존재하는 지도에 색상 변환 기법을 활용하여 색각이상자가 구분하기 쉽도록 색을 변환하고자 한다. RGB 색 공간(유승민 등, 2023), HSV 색 공간(김현지 등, 2013) 등 다양한 색 공간에서의 색상 변환 기법이 연구 및 활용되고 있다. 특히, CIE Luv 색 공간은 chromaticity diagram(, )에 의해 정의되며, 두 벡터 좌표에 의한 color space를 만들어 색 관계를 좌표로 표현 가능하다는 장점을 가진다(Ohno, 2000). 따라서, 본 연구에서는 사람의 색 인지에 초점을 맞춘 CIE Luv 색 공간에서의 색상 변환 기법을 사용한다. 좌표 변환으로 색의 채도와 색상으로 표현된 모든 색을 나타낼 수 있으므로 본 연구에서는 색채 변환 방향을 쉽게 제작할 수 있는 CIE Luv 색 공간에서의 색상 변환 기법을 활용하고자 하였다. 개인의 색각 이상에 따른 색상 변환을 추천하기 위해 본 연구에서는 추천 시스템을 사용하였으며, 그중에서 Neural Collaborative Filtering(NCF) 기법을 활용하였다. 이는 시간의 효율성과 지도 재현성을 위하여, 새로운 지도를 제작하기 위한 색상 조합을 찾는 것과 같은 선행연구들(신휴석 등, 2012)과는 차별점이 있다.
II. 색각이상자를 위한 지도의 색상 변환 추천 시스템
1. 색각이상자를 위한 지도의 색상 변환 추천 시스템 개요
본 연구의 과정 및 제작하고자 하는 추천 시스템의 흐름은 아래 그림 1과 같다. 색상 변환 기법을 활용하여 지도의 색상을 변환한 후, 설문 조사를 통해 색상 변환 지도의 선호도 조사 및 한식색각검사를 통한 색각 이상 데이터 수집 후, NCF를 사용하여 개인에 맞는 색상 변환 추천 시스템을 학습 및 제작한다. 그리고 새로운 사용자와 지도를 대상으로 추천 시스템을 적용한다. 사용자의 한식색각이상 검사 결과와 새로운 지도의 정보를 기반으로 NCF를 사용해 시스템에서 제작한 지도의 선호도를 예측하는 것이 가능하다. 예측 선호도가 제일 높은 지도를 최종적으로 추천하여 색각이상자에게 제시할 수 있다.
2. 지도의 색상 변환
1) 색상 변환 기법
색상 변환 기법은 색각 이상을 가진 사람들이 색상을 보다 잘 구별할 수 있도록 색상을 변환하는 것을 의미한다. 이러한 색상 변환 기법에는 content-independent 방법과 content-dependent 방법이 있다. Content-independent 방법은 이미지 내 색상의 위치나 값을 고려하지 않고, 이미지에 전체적으로 균일하게 적용되는 방법으로 전체적으로 동일한 방법으로 픽셀의 색상 값을 변경한다. 이는 행렬 함수로 계산되어 계산이 빠르고, 사용하기 편하다는 장점이 있다. 이 방법을 통해 원래 구분이 되지 않았던 색상들 간의 대비를 향상시켜 구별에 용이하게 만들 수 있지만, 인접 영역의 색상 간에 새로운 혼동쌍(confusion pair)을 생성하거나 이전에 구별 가능했던 색상들의 구별이 어려워질 수 있다는 한계(Milic et al., 2015)가 있으며 색의 분포가 규칙적이지 않으면 구분 효과가 떨어지는 문제가 있다(김현지 등, 2011).
한편, Content-dependent 방법은 이미지 내 색상의 위치나 값을 고려하여 각 픽셀을 유동적으로 조정한다. Histogram-based, neighborhood-based, region-based 등 여러 방법을 사용하여 픽셀 혹은 색상들을 일정 기준으로 클러스터링 한 후 픽셀들의 색상을 변경하여 구별할 수 있게 하는 방법이다. 이러한 방법들은 더 복잡하고 계산적으로 시간이 오래 걸리지만, genetic algorithms, mass-spring optimization, affine transformation, neural networks 등 여러 방법을 활용하여 더 성공적으로 구별하게 하기도 한다. 이 방법은 색상의 대비를 자연스럽게 유지하여 정안과 색각이상자가 시각적으로 비교적 유사한 이미지를 볼 수 있다는 장점이 있다(Shen et al., 2021). 김현지 등(2011)은 CIE Lab 색 공간에서 hue 단위로 영역을 분할하여 색채혼동선 상에서의 색을 보정하는 방법을 사용하였다. Tasnim and Hasan (2017)은 HSV 색 공간에서 제1 색각이상자가 구분할 수 없는 픽셀을 추출하여 해당 부분의 색을 행렬 계산을 통해 변경하는 방법을 제시하였다.
Ribeiro and Gomes(2019)에 의하면, 색상 변환 기법은 색상 대비, 색상 일관성, 색상의 자연스러움을 유지하는 것이 중요하다. 따라서 본 연구에서는 색상의 자연스러움을 유지하면서, 관찰자의 인지에 더 편리하고 비교적 계산이 간단한 방법으로 최적의 결과를 제공하는 장점(Shen et al., 2021)이 있는 색상 변환 기법을 활용하였다. 사용한 색상 변환 기법 알고리즘은 다음과 같은 단계로 이루어진다(그림 2).
(1) 이미지를 RGB에서 CIE Luv 색상 공간으로 변환 후 u’, v’ 좌표계 값을 얻는다.
(2) 자연스러움을 유지하고 모든 색상점을 고려할 수 없기에, 색상들을 K-means Clustering을 통해 색상 클러스터링을 수행한다. 이후 각 클러스터의 평균 u’, v’ 값을 계산하여 각 클러스터별 색상 중심을 얻는다.
(3) 각 클러스터의 중심을 색채혼동점을 기준으로 극좌표(R, 𝜃)로 변환한다. 다음, 가장 값이 작은 중심점부터 시작하여 모든 중심점이 이동할 때까지 일정 규칙에 맞춰 중심을 이동한다. 규칙에 관한 자세한 설명은 아래 2) 색상 재매핑에서 설명한다.
(4) 모든 픽셀을 각 클러스터의 중심점이 이동한 각도의 차이만큼 움직인다.
(5) 이미지를 다시 CIE Luv 색 공간에서 RGB로 변환한다.
2) 색상 재매핑
색각 이상별로 서로 다른 색채혼동점과 색채혼동선(confusion line)을 갖는다. 그림 3에서 점 C에 위치한 점은 각각 Cp, Cd, Ct의 위치에 있는 점으로 색이 인지되어 같은 색채혼동선 위에 있는 색상은 색각이상자들이 구별하지 못한다. 색채혼동점은 색채혼동선이 수렴하는 곳으로 색채혼동점의 좌표는 제1 색각 이상이 P(0.68, 0.50), 제2 색각 이상은 D(-1.22, 0.78), 제3 색각 이상은 T(0.26, 0.00)이다. 따라서 구별하지 못하는 색을 최소화하기 위해 각 클러스터 중심의 값(그림 4의 𝜃값과 같다.)의 차이가 최대에 수렴하도록 색을 변환한다.
클러스터의 중심점 좌표(, )를 (R, 𝜃)로 변경하기 위한 식은 다음 수식 1, 2와 같다. 수식 1은 제1 색각 이상, 제2 색각 이상의 경우 사용되며 수식 2는 제3 색각이상자에게 사용된다. 수식의 (, )은 색채혼동점의 좌표값이며 (, )은 계산하고자 하는 중심점의 좌표값이다. R과 𝜃는 색각 이상의 종류에 따라 색채혼동점의 위치가 달라 구하는 공식이 다르다.
제1 색각 이상과 제2 색각 이상은 𝜃를 계산할 때 값을 사용하지만, 제3 색각 이상은 𝜃를 계산할 때 값을 사용한다. 본 방법에서 𝜃는 한 종류의 색상 변환에서, 색상 재매핑 규칙에 따른 클러스터 중심점 이동 우선 순위를 정하기 위한 값이다. 크기 비교를 위해 사용될 뿐이므로 제1, 제2, 제3 색각 이상에서의 의미가 같을 필요는 없다.
각 픽셀 값을 (R, 𝜃)로 변경 후 다음 수식 3에 따라 중심점의 색상 재매핑을 진행한다. 수식 3에서 는 번째 클러스터 중심의 값이고 와 는 각 클러스터에서의 최솟값과 최대값이다. 위 식을 통해 , , , …, 의 점들을 이동시킨다. 이때 는 로 이동시키고, 는 으로 이동시켜 움직일 수 있는 값의 범위를 정한 뒤, 나머지 점들을 이동시킨다. 위 방법을 통해 허용 가능한 간격 내에서 색상들이 가능한 한 멀리 떨어지고, 균등하게 배치되도록 하는 최적의 각도를 찾아낸다.
아래 그림 5는 클러스터와 주변 색채혼동선의 위치 관계에 따라 식 3을 통해 클러스터의 이동이 어떻게 일어나는지 설명하고 있다. 흐린 원은 변경 전 n 번째 클러스터, 진한 원은 변경 후 n 번째 클러스터이다. 제일 위에 있는 빨간선은 n+1번째 클러스터 중심의 색채혼동선이고 제일 아래에 있는 빨간선은 n-1번째 클러스터 중심의 색채혼동선이다.
3) 색상 변환 결과
표 1은 M1~M24 총 24종류의 지도에 대한 색상 변환 결과이다. 연구에서 활용한 공공 인터넷 지도는 국토지리정보원의 온맵과 온맵 지형도, 그리고 국내 활용 비율이 높은 네이버 지도를 활용하였다. 각 지도에서 추자도와 용인시를 중심으로 8개 지역을 선정하여 24개의 지도를 추출한 후 색상 변환 시 사용되는 클러스터 개수를 4개, 6개, 8개, 10개, 12개로 설정하여 색상 변환하였다. 이후 120개의 지도를 대상으로 설문을 실시하였다. 클러스터 개수를 적게 설정하면 색상 변환 후 결과가 부자연스럽고, 크게 설정하면 색의 변환이 미미하다. 또한 설문의 개수가 많아지면 설문자의 부담이 증가하기에, 적절한 클러스터 수를 사용하였다.
표 1을 보면 기법을 적용할 때 처음 지정한 Cluster의 개수에 따라 결과물이 큰 차이가 나는 것을 확인할 수 있다. 본 연구에서는 이러한 특성을 활용해 개인의 색각 이상 정도에 맞는 색상 변환을 추천해주는 시스템을 제작하고자 하였다. 색상 변환 기법을 활용하기 위해 처음에 클러스터의 개수를 정하기 위해 고려해야 하는 요소는 개인의 색각 이상 정도, 그리고 색상이 변환되기 이전의 지도가 지니고 있는 색상의 특성이다. 색상뿐 아니라 밝기의 정보가 고려되고, 밝기 변화를 준 선지를 제공한다면 설문 조사 양과 시간이 늘어날 수 있다. 질문의 양이 많아지면 설문자의 부담이 커지고 이에 따라 답변 정확도 역시 낮아질 가능성이 존재하므로 지도의 밝기는 일관되게 유지하였다.
3. 지도의 색상 변환을 위한 설문조사
설문조사는 색각이상자 25명을 대상으로 실시하였다. 김효진･안영주(2023)에 의하면 한국인 남성의 색각 이상 중 제2 색각 이상이 72.3%, 제1 색각 이상이 16.0%로 많은 비율을 차지하고, 설문 대상자 중 청색각이상자가 없어 적록색각이상자로만 진행하였다. 색각 이상 검사를 통해 색각 정도와 종류를 검사한 후 개인별 지도 선호도 설문 조사를 진행하여 추천 시스템에 활용하였다. 본 설문에 대한 결과는 다음과 같다.
1) 색각 이상 검사
먼저, 추천 시스템 개발을 위하여 색각 이상 검사를 통해 개인의 색각 이상 종류와 색각 이상 정도를 알고자 한다. 색각 이상 검사 중 이시하라검사를 포함한 가성동색표가 적록의 선별검사에서 세계적으로 많이 사용되고 있다. 가성동색표는 색점으로 숫자나 모양을 혼동하기 쉽도록 만들어 알아보지 못하거나 다른 숫자로 읽게 만든 표로, 국내에서는 한식색각이상검사가 개발되어 이시하라검사와 함께 가장 많이 사용되고 있다(주석희･이은희, 2008). 본 연구에서 사용된 한식색각검사는 한식색각검사표 색각 이상검출.분류.정도판정용(한천석, 2021)에 나온 검사를 사용하여 색각 이상 분류와 정도를 알 수 있다.
그림 6은 한식색각검사의 예시이며, 다음 그림들을 정상색각자는 첫 번째 그림은 5, 두 번째 그림은 8, 세 번째 그림은 48로 읽는 반면 제1, 제2 색각이상자는 각각 3, 5, 13으로 읽는다. 그리고 네번째 그림의 경우 정상색각자는 52로 읽지만 2로 읽으면 강도가 강한 제1 색각이상자이며 5로 읽으면 강도가 강한 제2 색각이상자고, 그 외의 색각이상자는 52로 읽는다. 본 연구에서는 연구의 목적상 숫자로 구별할 수 있는 한식색각검사만 사용하였으며 검사 결과는 표 2와 같다. P1~ P25, 총 25명의 사람에게 T1~T11까지 11개의 종류의 한식색각검사를 진행한 결과이다.
표 2.
색각 이상 검사 결과
| T1 | T2 | T3 | T4 | T5 | T6 | T7 | T8 | T9 | T10 | T11 | |
| P1 | 3 | 16 | 5 | 18 | - | - | - | - | - | 65 | - |
| P2 | 3 | 16 | 5 | 13 | - | - | 96 | - | 7- | 65 | - |
| P3 | 3 | 15 | - | 13 | - | 5 | 9 | 2 | 7 | 63 | 4 |
| ⋮ | |||||||||||
| P24 | 3 | 16 | 5 | 13 | - | - | 9 | 78 | 7 | 65 | 47 |
| P25 | 3 | 18 | 5 | 13 | - | - | - | - | - | - | - |
검사 결과, 같은 그림 속 숫자의 질문에 대해 색각이상자마다 결과가 많이 상이함을 알 수 있다. T2의 경우 16으로 읽은 사람이 19명, 25로 읽은 사람이 1명, 18로 읽은 사람이 1명, 그리고 구별할 수 없는 사람이 4명이었으며, T7은 96으로 읽은 사람이 4명, 9로 읽은 사람이 4명, 6으로 읽은 사람이 1명, 읽지 못한 사람이 16명이다. 이와 같이 숫자 구별 가능 여부, 그리고 숫자를 구별하여 읽은 숫자가 사람마다 다르다. 즉, 색각 이상의 정도에 차이가 있으므로 개인의 색상 선호도에 따른 지도 추천 시스템이 필요하다는 것을 의미한다.
2) 색상 변환 지도 선호도 조사
지도 120장에 대한 개인의 색 구분 정도를 조사하였다. 그림 7의 색상 변환 지도에는 동그라미와 사각형이 표시되어 있다. 원본 지도에서 색각이상자가 구분하기 어려운 지역과 구분이 되는 지역을 추출하여 표시한 후 색상 변환한 지도의 같은 위치에도 표시하여, 같은 모양인 색상을 구분할 수 있는지, 혹은 얼마나 구분이 잘 되는지에 대해 0단계(구별이 되지 않음)부터 5단계(구별이 매우 잘됨)의 척도형 답변을 받는 설문 조사를 실시하였다.
선호도 조사 결과는 표 3과 같다. M1-1은 M1을 클러스터 4개를 사용하여 변경한 것, M1-2는 M1을 클러스터 6개를 사용하여 변경한 것, M1-3은 8개, M1-4는 10개, M1-5는 12개를 사용하여 변경한 것이다. 선호도 테스트 결과 사람마다 구별이 잘 되는 색상 변환이 다른 것을 알 수 있다. 또한 색각 이상 검사의 결과가 사람마다 상이하고 종류가 다양해서 직관적으로 색각 이상 검사 결과에 맞는 선호도 예측이 불가능하였다.
표 3.
색상 변환 지도 선호도 조사표
4. NCF를 활용한 추천시스템 개발
1) 추천 시스템
소비자에 맞는 정보를 제공하고 상품을 쉽게 선택하여 만족도를 높이는데 기여하는 추천 시스템에 관한 연구가 활발하게 진행되고 있다. 그 중에서 협업 필터링(Collaborative filtering)은 사용자들이 상품에 대해 평가한 평가기록에서 사용자들의 평가 패턴을 파악하여 향후 선택 가능성이 높은 상품을 추천해주는 방법이다(김세은, 2021). 이후 효과적인 협업 필터링 방법으로 행렬분해법을 이용한 알고리즘이 개발되었고, 최근에는 심층신경망을 이용하여 개선한 신경망 협업 필터링(Neural Collaborative Filtering; NCF) 방법이 제안되었다(황인준 등, 2024). 본 연구에서는 지도에 대하여 색각이상자들의 인식 정도와 선호도를 평가해야 하므로 협업필터링 방식을 사용하여 색각이상자용 지도 색상 변환 추천 시스템을 개발하였다.
2) Neural Collaborative Filtering(NCF)
NCF(Neural Collaborative Filtering) 알고리즘은 He et al.(2017)등이 제안한 알고리즘으로 기존의 행렬 분해 방식에 기반한 협업 필터링 알고리즘을 심층신경망을 이용하여 일반화한 방법이다. 기존의 선형적인 특성만을 학습하는 전통적인 행렬 분해 방식에서 발전되어 사용자와 아이템 간의 잠재적 상호작용을 비선형적으로 학습하기 위하여 설계된 딥러닝 기반의 협업 필터링 방식이다. NCF 알고리즘은 0과 1로 이루어진 이진값을 예측하기 위해 수식 4와 같이 generalized matrix factorization(GMF) 망과 multilayer perceptron(MLP) 망을 결합하여 얻는 구조를 이용한다. GMF는 사용자와 아이템의 잠재 벡터 간의 요소별 곱을 수행하여 상호작용을 모델링하고, MLP는 사용자와 아이템의 잠재 벡터를 연결 후 은닉층을 거치며 비선형적 상호작용을 학습하는 역할을 수행한다. 두 경로의 결합으로 학습을 진행 후 그림 8과 같이 사용자와 아이템 상호작용 를 모델링할 수 있다. 신경망에 입력하는 정보는 사용자 번호와 상품 번호를 one-hot-encoding한 결과를 사용한다. 이를 통해 얻은 임베딩 벡터(User latent vector, Item latent vector)인 , 를 활용하여 수식 (5)와 같은 NCF 예측 알고리즘 식을 도출할 수 있다. 수식에서 과 은 각각 사용자 및 아이템에 대한 잠재 인자 매트릭스를 나타낸다.
3) 수정된 NCF 방법론
기존의 NCF 방법과 이번 연구에서 사용한 NCF 방법에는 몇 가지 차이가 존재한다. 첫째, 기존의 NCF는 0과 1로 이진 분류하여 상품을 추천한 반면, 본 연구에서는 0~5라는 선호도를 예측해야 한다는 차이가 있다. 색각 이상의 특성상 단순히 ‘보임’과 ‘보이지 않음’으로 구별하기에는 모델의 정확도가 떨어질 수 있다. 따라서 모델 점수가 다소 낮아지더라도 서열 척도 답변으로 지도 선호도를 조사하였다. 따라서 기존의 NCF는 0과 1의 이진 분류에 초점이 맞춰져 있어 Sigmoid로 최종 예측값을 출력하였지만, Sigmoid를 활용하여 Threshold-based Ordinal Regression 계산 후, 0~ 5의 각 선호도가 기준을 넘는지 판단하여 0과 1로 구분하여 서열 척도를 예측하도록 변경하였다.
둘째, 기존의 NCF는 사용자에 대한 정보를 사용자 번호를 one-hot-encoding 한 벡터를 사용하였다. 하지만 본 연구에서는 사용자의 색각 이상 종류 및 정도가 중요한 역할을 한다. 따라서 사용자의 특징을 보여주는 개인별 색각 이상 검사 결과(표 2)를 사용자 벡터로 사용하였다.
셋째, 기존의 방법은 상품 또한 one-hot-encoding하여 상품 벡터를 제작하였다. 하지만 본 연구에서는 지도의 색 특징이 중요한 역할을 하기에, 지도 색 특징과 K-means clustering에 사용한 cluster 개수의 정보가 담긴 벡터를 상품 벡터로 사용하였다. 지도의 색 특징은 HSV 색 공간에서 H(Hue)를 30도씩 12개의 구간으로 나누어, 각 구간별로 지도의 색이 얼마나 들어있는지 비율을 측정하였으며, 변환에 사용한 클러스터 개수는 4, 6, 8, 10, 12를 one-hot-encoding 하여 사용하였다. 표 4는 M1-1~M24-5까지 총 120장의 지도에 관한 정보를 담고 있는 표이다. C1~C12는 각각 HSV의 Hue 값을 30도로 나눈 구역(Class)이며 소수점 4번째 자리에서 반올림한 값이다. 분석에는 반올림하지 않은 값을 사용하였다. n_c는 K-means clustering에서 사용한 클러스터 개수를 의미한다.
표 4.
색상 변환 지도 특성표
위 내용을 토대로 사용한 NCF의 전체적인 구조는 다음과 같다. 사용자-아이템 상호작용을 위하여 사용자와 상품 각각의 임베딩 벡터가 필요하다. 표 1의 색각 이상 검사 결과를 사용하여 사용자 임베딩 벡터를, 표 3의 지도 특징을 사용하여 상품 임베딩 벡터를 형성하였다. 그리고 이 두 임베딩 벡터를 사용하여 GMF와 MLP 계산하였으며, GMF와 MLP 결과 값을 붙여 Sigmoid를 활용한 Threshold-based Ordinal Regression (Fuchs and Keshet, 2022)으로 0~5의 선호도를 예측하였다. 표 2와 표 4를 이용하여 선호도 예측 후 실제 선호도의 차이를 Binary Cross Entropy로 계산하여 Loss 값 계산 및 가중치 학습하는 구조로 최종 예측을 진행하였다.
III. 결과
1. NCF 결과
그림 9는 Loss Function으로 사용한 반복 횟수에 따른 Cross Entropy 값의 변화에 대한 정보를, 그림 10의 혼동 행렬은 예측값과 실제값의 분포 차이를 담고 있다. Loss 값을 시각화한 결과, 감소 및 수렴하는 결과를 보인다. 따라서 모델 학습은 정상적으로 이루어짐을 알 수 있다.
혼동 행렬을 보면 Class 3을 Class 3으로 정확하게 예측한 경우가 많고, 대부분 Class 3 주변에 모여 있는 경향이 많이 보인다. 이는 심층신경망 기법을 사용했지만 25명이라는 부족한 데이터셋 수에 비해, 3을 선택한 수가 많아 Class 3의 예측 빈도가 높아 정확도가 높게 나온 것으로 보인다. 본 모델의 정확도는 0.576으로 높은 수치라고 할 수 없다. 하지만 선호도 예측 및 다른 지도 비교 후 추천이 목적이므로 정확도보다 얼마나 정확하게 예측한 경향이 있는지가 중요하다.
또한 개인에 따라 선호도를 조사할 때 차이가 있다. 따라서 원래 선호도 값보다 1만큼 작거나 크게 예측한 값도 정확하게 예측했다고 가정한 후(예를 들어 원래 선호도가 3인 경우 2~4로 예측한 값을 정확하게 예측했다고 가정한다.) 정확도를 수식 6을 사용하여 계산하면 0.919로 계산되었다. 따라서 본 모델은 유의미하게 학습되었다고 볼 수 있다.
2. 색상 변환 추천 시스템 결과
본 연구에서는 데이터셋 구축을 위해 기존 24개 지도를 CIE Luv 색 공간에서 색상 변환을 진행하였다. 색각이상자들의 색각 이상 검사 결과와 색상 변환한 지도를 기반으로 색각이상자에게 선호도를 조사하였다. 설문 조사 결과를 바탕으로 NCF 모델의 가중치 학습을 하였고 최종 추천 시스템을 구축할 수 있었다. 새로운 사용자의 색각 검사 결과인 표 5와 새로운 지도 특성표인 표 6(소수점 넷째 자리에서 반올림하였다.)을 이용하여 색상 변환 지도를 추천한 결과는 그림 11의 오른쪽 지도와 같다. 해당 지도는 실제 선호도값이 가장 높은 지도 2개 중 하나였다. 따라서 본 연구의 모델을 활용한다면 새로운 색각이상자가 색각 이상 검사 답변을 제공하였을 때 이에 기반하여 NCF 모델에서 해당 사용자에게 적합한 지도를 추천할 수 있다.
IV. 결론
전 세계적으로 적지 않은 비율의 색각이상자가 존재함에도 불구하고 색각이상자를 위한 유니버셜 디자인 연구는 아직 미비한 상태이다. 특히 세상을 탐색하고 공간을 인식하는 데 필수적 도구인 지도에 대한 색상 변환 연구는, 색의 조합을 변환하는 정도에만 머물러 있어 인터넷과 같은 환경에서는 효율성이 낮다는 한계가 존재한다.
본 연구는 기존 색각이상자 연구에서 통용적으로 사용된 RGB 색 공간 채널 변환보다 사람의 색 인지에 더욱 효과적인 CIE Luv 색 공간에서의 색상 변환 기법을 활용하였다. 이후 Neural Collaborative Filtering의 딥러닝 학습 기법을 사용하여 개인의 색각 이상 종류와 정도에 따라, 적절한 지도의 색상 변환을 추천하는 추천 시스템을 제안하였다. 본 연구의 방법은 색각이상자들을 위해 새로운 색 배합을 사용하여 색각이상자용 지도를 제작하는 것보다 효율적이라고 할 수 있다. 특히, 시스템을 통해 개별 사용자들에게 최적화된 지도를 제공한다는 점에서 다양한 사용자들의 접근에 매우 유용하다고 할 수 있다. 또한 새로운 사용자가 등장하였을 때 간단한 질문을 바탕으로 적절한 지도를 제시할 수 있어 기술적 보편성을 가진다. 수정된 NCF 방법론으로 ‘색각 이상’이라는 사용자의 특성에 맞는 새로운 방법론을 적용하면서 ‘지도’라는 특수한 아이템에 대하여 지리학적 접근의 가능성을 모색한 점에 의의가 있다.
본 연구의 한계는 다음과 같다. 본 연구의 특성상 설문 대상자가 색각이상자로 한정되므로 적은 설문자 및 데이터 수로 인한 한계가 존재한다. 본 연구는 추천 시스템을 통해 가장 잘 보이는 지도 하나를 선정해서 보여주는 것이 최종 목표이기에 0~5 서열 척도가 아닌 5개의 지도 중 제일 잘 보이는 지도 데이터를 사용하는 것이 바람직하다. 하지만 데이터 수의 부족으로 학습을 위해서 0~5의 서열 척도를 사용하였다. 이는 사람마다 점수를 부여하는 기준이 주관적이기에 학습이 제대로 이루어지지 않을 수 있다(Bansal et al., 2023). 하지만 이러한 한계에도 불구하고 비교적 준수한 성능을 보여주었다. 이는 곧 색상 변환 기법에는 클러스터 개수 및 색각 이상이 비선형적인 관계에 있고 중요한 요소라는 점을 내포한다. 더욱이 심층신경망과 같이 비선형적인 특징을 잘 나타낼 수 있는 추천 시스템이 필요하다는 것을 의미한다. 그리고 청색각이상자는 다른 색각이상자에 비해 비율이 낮아 데이터를 구하기 어려우며, 본 연구의 설문조사에 청색각이상자가 모집되지 않아 청색각이상자를 위한 색상 추천 알고리즘과 관련된 내용은 배제되었다. 향후 설문자 모집 및 데이터셋이 확대된다면 정확도 증가 및 청색각이상자를 위한 추천 시스템 연구 등의 방향을 통해 색각이상자용 지도 제작의 실질적 유용성이 강화될 것으로 기대한다. 또한 추후 연구에는 색상 변환의 자연스러움에 대한 추가적인 실험과 논의를 토대로 알고리즘을 개선한다면, 색각이상자용 지도의 활용성 또한 향상될 것이라 기대한다.
