SUN397은 장면 인식(scene recognition)을 위한 대규모 데이터셋으로, 2010년 MIT 컴퓨터 과학 및 인공지능 연구소와 프린스턴 대학교의 연구자들이 소개했다. 이 데이터셋은 397개의 서로 다른 장면 범주에 걸쳐 분포된 108,754개의 이미지를 포함하며, 침실, 스키 리조트, 도서관과 같은 환경 유형별로 이미지를 분류하는 알고리즘을 평가하는 데 가장 포괄적인 자원 중 하나로 꼽힌다. 이 데이터셋은 객체 중심 작업을 넘어 장면 이해의 경계를 넓히고, 이미지의 전체적인 맥락을 강조하도록 설계되었다.
이 데이터셋은 계층적으로 구성되어 있으며, 범주는 실내, 야외 자연, 야외 인공물과 같은 더 넓은 클래스로 그룹화된다. 각 범주는 최소 100개의 이미지를 포함하여 훈련 및 테스트에 충분한 샘플을 보장한다. 이미지는 Flickr 및 기타 온라인 저장소를 포함한 공개 컬렉션에서 수집되었으며, 관련성과 품질을 보장하기 위해 수동으로 선별되었다. SUN397은 일반적으로 SUN 벤치마크와 함께 사용되며, 이 벤치마크에는 일부 이미지에 대한 속성 및 객체 주석도 포함된다.
구축 및 주석
SUN397의 생성은 다양성과 범위를 보장하기 위해 엄격한 과정을 거쳤다. 연구자들은 먼저 사전 및 기존 데이터셋을 포함한 다양한 출처에서 장면 범주 목록을 작성한 후, 이를 397개 범주로 확장했다. 이미지는 웹 검색과 사용자 제출을 통해 수집되었으며, 중복 및 관련 없는 콘텐츠를 제거하기 위해 필터링되었다. 각 이미지는 할당된 범주에 속하는지 수동으로 검증되었다. 데이터셋은 훈련 및 테스트 세트로 분할되었으며, 표준 프로토콜은 범주당 50개 이미지를 훈련에, 50개를 테스트에 사용하지만, 다른 분할 방식도 사용된다.
장면 인식 연구에서의 역할
SUN397은 컴퓨터 비전 및 머신 러닝 분야에서 표준 벤치마크가 되었다. 이는 합성곱 신경망 및 기타 딥 러닝 모델을 평가하는 데 자주 사용된다. 이 데이터셋은 알고리즘이 서로 다른 유형의 주방이나 도서관과 같은 시각적으로 유사한 장면을 구별하고, 다양한 조명, 시점, 가려짐에 걸쳐 일반화하도록 도전한다. 많은 최첨단 모델은 SUN397에서의 성능을 핵심 지표로 보고하며, 종종 테스트 세트에서 90% 이상의 정확도를 달성한다.
다른 데이터셋과의 비교
SUN397은 Places365 및 ImageNet과 같은 인기 있는 데이터셋을 보완한다. ImageNet이 객체 분류에 초점을 맞추는 반면, SUN397은 장면 수준 이해를 강조한다. 나중에 소개된 Places365는 365개 범주를 가진 더 큰 장면 데이터셋이지만, SUN397은 더 세분화된 범주와 초기 장면 인식 연구에서의 역할 덕분에 여전히 가치가 있다. 이 데이터셋에는 속성 레이블이 있는 하위 집합도 포함되어 있어 장면 속성 예측과 같은 작업을 가능하게 한다.
영향 및 유산
SUN397의 도입은 장면 인식 분야에서 상당한 진전을 촉진했으며, 맥락과 레이아웃을 이해하는 모델 개발에 기여했다. 이는 자율 주행부터 콘텐츠 기반 이미지 검색에 이르는 응용 분야에서 사용되었다. 이 데이터셋은 연구 목적으로 공개적으로 제공되며 학술 문헌에서 널리 인용된다. 계층적 구조와 명확한 평가 프로토콜 덕분에 지속적인 자원으로 남아 있으며, 2025년 현재에도 현대 연구에서 여전히 참조되고 있다.