당신의 농장은 건강해 보입니다. 하지만 스펙트럼은 죽어가고 있다고 말합니다.
저는 같은 날 촬영된 같은 대두 밭의 위성 이미지 두 장을 바라보고 있었는데, 두 이미지는 저에게 완전히 다른 이야기를 들려주고 있었습니다.
첫 번째는 표준 RGB 합성 이미지였습니다 — 어떤 기성 AgTech 플랫폼에서나 얻을 수 있는 종류의 것이죠. 무성한 초록빛, 균일한 캐노피, 교과서적으로 건강한 모습. 농부나 농학자, 투자자에게 보여줬다면 모두 똑같이 말했을 겁니다: "훌륭해 보이는데요."
두 번째 이미지는 사실 이미지랄 것도 아니었습니다. 그것은 초분광 데이터 큐브 — 200개가 넘는 좁은 대역의 전자기 측정값으로, 대부분은 인간의 눈에 보이지 않습니다. 그리고 우리가 구축해 온 3D 합성곱 신경망에 그것을 통과시키자, 완전히 다른 그림이 그려졌습니다. 그 "건강한" 초록 밭의 한 구역은 이미 생화학적 고통을 겪고 있었습니다. 엽록소 생산이 감소하고 있었습니다. 레드 에지 — 식물이 흡수하는 것과 산란시키는 것 사이의 반사율에서 나타나는 그 가파른 절벽 — 는 더 짧은 파장 쪽으로 몇 나노미터 이동해 있었습니다.
그 밭은 죽어가고 있었습니다. 아직 갈색으로 변하지 않았을 뿐이었죠.
그 순간, 제가 한동안 맴돌던 무언가가 명확해졌습니다: AgTech 산업 전체가 거짓말 위에 지능 계층을 구축해 왔다는 것이었습니다. 위성 이미지가 사진이라는 거짓말. 고양이와 자동차로 학습된 ResNet에 그것을 통과시키면 식물 생리에 대해 의미 있는 무언가를 알려줄 것이라 기대하는 거짓말. "녹색"이 "괜찮음"을 의미한다는 거짓말.
그렇지 않습니다. 그리고 RGB 이미지에서 "녹색"이 더 이상 "괜찮음"을 의미하지 않게 될 때쯤이면, 당신은 이미 수확을 잃은 뒤입니다.
표준 컴퓨터 비전은 왜 농업에서 실패하는가?
대부분의 AI 기반 작물 모니터링에 관한 불편한 진실은 이렇습니다: 잘못된 데이터를 보기 위해 잘못된 수학을 사용하고 있다는 것입니다.
AgTech 컴퓨터 비전의 지배적 패러다임은 소비자 사진 촬영에서 직접 빌려온 것입니다. 위성 이미지를 가져다 JPEG처럼 취급하고, 가장자리와 형태, 질감을 감지하도록 — 말 그대로 그렇게 설계된 — 2D 합성곱 신경망에 입력합니다. 이러한 아키텍처는 ImageNet 분류기의 후손입니다. 그것들은 개와 램프를 구별하는 데는 탁월합니다. 하지만 질소가 결핍된 밀 캐노피와 물 스트레스를 받은 캐노피를 구별하는 데는 형편없습니다.
그 이유는 구조적입니다. 2D-CNN은 작은 필터를 이미지의 공간 차원 전체에 걸쳐 슬라이딩시키고 곧바로 모든 색상 채널에 걸쳐 합산합니다. 3채널 RGB 이미지에서는 괜찮습니다 — 채널들이 서로 높은 상관관계를 가지며 비슷한 공간 정보를 담고 있기 때문입니다. 하지만 200개가 넘는 대역을 가진 초분광 큐브에서 그러한 합산은 치명적입니다. 첫 번째 계층에서 스펙트럼 차원을 뭉개버리기 때문입니다. 곰팡이 병원균의 정확한 시그니처일 수도 있는 밴드 10과 밴드 150 사이의 상관관계는 평균화되어 사라져 버립니다.
제 팀원 중 한 명이 표준 2D 합성곱 방정식을 띄워놓고 채널에 걸친 합산 부분에 동그라미를 친 회의에 앉아 있던 기억이 납니다. "바로 여기서 우리는 모든 것을 잃습니다"라고 그가 말했습니다. 그의 말이 옳았습니다. 그 신경망은 죽어가는 밭의 "형태"를 찾고 있었습니다. 하지만 죽어가는 밭은 너무 늦을 때까지 형태를 바꾸지 않습니다. 관련 정보는 실루엣이 아니라 스펙트럼에 존재합니다.
죽어가는 작물의 "형태"는 사후 지표입니다. 스트레스를 받은 작물의 "스펙트럼"은 진단적 활력 징후입니다.
그리고 탐지 지연 시간은 가혹합니다: 10일에서 15일. RGB 모델이 밭을 스트레스 상태로 표시할 때쯤이면, 생물학적 손상은 대개 돌이킬 수 없습니다. 그 시점에서 당신은 정밀 농업을 하고 있는 것이 아닙니다. 부검을 하고 있는 것입니다.
그린 트랩
저는 이것을 "그린 트랩"이라고 부르기 시작했는데, 한번 보고 나면 다시는 못 본 척할 수 없습니다.
식물은 생리적 스트레스가 시작된 지 한참 후에도 인간의 눈 — 그리고 어떤 표준 카메라에나 — 초록색으로 남아 있습니다. 눈에 보이는 황변의 진정한 전조인 광합성 효율의 감소는 매우 특정한 파장에서 반사율의 미묘한 변화를 일으킵니다: 531나노미터 부근(잔토필 회로)과 세포 구조 산란이 지배적인 700~1300나노미터 범위에서 말입니다. 이 중 어느 것도 RGB 센서에는 기록되지 않습니다. 설계상 보이지 않는 것입니다.
업계의 임시방편은 NDVI — 정규화 식생 지수(Normalized Difference Vegetation Index)였습니다. 수십 년간 황금 표준이었죠. 근적외선 반사율을 취하고, 적색을 빼고, 합으로 나누면 바이오매스와 대략적으로 상관관계를 갖는 숫자를 얻습니다. 단순하고, 우아합니다. 그리고 점점 더 부적절해지고 있습니다.
NDVI는 "적색" 영역 전체와 "NIR" 영역 전체를 단일한 블록으로 취급합니다. 밀집한 캐노피에서는 포화됩니다. 스트레스의 유형을 구별하지 못합니다 — 질소 결핍은 가시광 및 레드 에지 영역에 영향을 미치는 방식이, 주로 단파 적외선 대역에서 나타나는 물 스트레스와 다릅니다. NDVI는 무언가가 잘못되었다고는 알려줍니다. 하지만 무엇이 잘못되었는지는 알려주지 못합니다.
사람들은 저에게 늘 묻습니다: "그냥 더 나은 식생 지수를 쓰면 안 되나요?" 쓸 수 있습니다. 수십 개의 협대역 지수가 있습니다. 하지만 200개를 사용할 수 있는데도 여전히 두세 개의 데이터 포인트로 산수를 하고 있는 셈입니다. 그것은 환자의 체온만 재고 혈액 검사는 무시한 채 진단하는 것과 같습니다.
실제로 스펙트럼을 읽으면 무슨 일이 벌어지는가?
돌파구는 — 그리고 저는 이 단어를 가장 문자 그대로의, 화려하지 않은 의미로 말하는 것입니다 — 우리가 위성 데이터를 이미지로 취급하기를 멈추고 분광학으로 취급하기 시작했을 때 찾아왔습니다.
초분광 센서는 사진을 찍지 않습니다. 수백 개의 좁고 연속적인 파장 대역에 걸쳐 광자 복사휘도를 측정합니다. 모든 픽셀은 색상이 아니라 화학적 지문입니다. 그리고 그 지문에서 농업에 가장 강력한 특징은 레드 에지라 불리는 것입니다.
레드 에지는 약 670나노미터(엽록소가 빛을 강하게 흡수하는 지점)와 780나노미터(식물의 내부 세포 구조가 빛을 산란시키는 지점) 사이에서 반사율이 급격히 증가하는 것입니다. 건강한 식물에서 이 전이는 가파릅니다 — 스펙트럼 그래프상의 절벽이죠. 스트레스가 닥치면 엽록소 생산이 감소하고, 흡수가 줄어들며, 그 절벽의 변곡점이 더 짧은 파장 쪽으로 이동합니다. 물리학자들은 이것을 "블루 시프트"라고 부릅니다.
우리는 몇 나노미터의 이동에 대해 이야기하고 있습니다. 대략 600~700나노미터의 모든 광자를 단일 "적색" 채널로 통합하는 표준 RGB 카메라는 5나노미터의 이동을 수학적으로 감지할 수 없습니다. 그것을 평균화해 없애 버립니다. 5~10나노미터 폭의 대역을 가진 초분광 센서는 곡선의 형태를 분해하고 변곡점의 정확한 위치를 정확히 짚어냅니다.
이것이 바로 제가 지도는 사진이 아니라 데이터입니다라고 말할 때 의미하는 바입니다. 기업이 기성 AI 모델에 연결하기 위해 방사 측정값을 시각적 이미지로 축소할 때, 그들은 능동적으로 정보를 파괴하고 있는 것입니다. 그들은 과학 장비를 휴대폰 카메라처럼 취급하고 있습니다.
저는 이 이면의 물리학을 더 깊이 있게 우리 연구의 인터랙티브 버전에서 다뤘지만, 핵심은 이것입니다: 레드 에지의 블루 시프트를 감지함으로써, 우리 모델은 밭이 육안으로는 여전히 푸르게 보이는 동안에도 수확 실패를 예측합니다. 며칠 전이 아닙니다. 몇 주 전입니다 — 우리 벤치마크에 따르면 증상 발현 7~14일 전입니다.
아직 존재하지 않는 아키텍처를 구축하기
물리학을 아는 것은 별개의 문제입니다. 그것을 실제로 활용할 수 있는 신경망을 구축하는 것은 또 다른 문제입니다.
저와 제 팀이 아키텍처를 두고 끊임없이 논쟁하던 시기가 — 아마 석 달쯤이었을 겁니다 — 있었습니다. 쉬운 길은 명백했습니다: 검증된 2D-CNN을 가져다 첫 번째 계층을 3개가 아닌 200개의 입력 채널을 받도록 손보고, 미세 조정한 뒤 출시하는 것이죠. 전 세계 AgTech 스타트업의 절반이 정확히 이렇게 하고 있었습니다. 일부는 심지어 ImageNet으로 사전 학습된 ResNet-50 — 눈과 바퀴, 털을 감지하도록 학습된 모델 — 을 위성 데이터에 "전이 학습"시키기까지 했습니다.
저는 계속 같은 반론으로 돌아왔습니다: 특징은 전이되지 않는다는 것입니다. 방사 측정 이미지의 픽셀 값 통계 분포는 소비자 사진과는 전혀 다릅니다. 노이즈 프로파일이 다릅니다. 관련 특징 — 가장자리와 모서리가 아니라 스펙트럼 흡수 곡선 — 은 ImageNet에 존재하지 않습니다. 당신은 지식을 전이하는 것이 아닙니다. 혼란을 전이하는 것입니다.
그래서 우리는 처음부터 새로 구축했습니다. 두 가지 핵심 아키텍처가 등장했습니다.
첫 번째는 3D 합성곱 신경망(3D Convolutional Neural Network)으로, 여기서 합성곱 커널은 높이, 너비, 스펙트럼 깊이라는 세 가지 차원을 가집니다. 이미지 전체를 훑으며 밴드에 걸쳐 합산하는 대신, 커널은 관통하여 스펙트럼 속을 이동합니다. 커널은 원시 데이터로부터 직접 국소 스펙트럼 특징 — 레드 에지의 기울기, 물 흡수 골(well)의 깊이 — 을 학습합니다. 우리 결과는 3D-CNN이 밴드 간 상관관계를 보존하기 때문에 초분광 분류에서 2D 대응물을 크게 능가한다는 발표된 연구 결과와 일치했습니다.
두 번째는 스펙트럼-공간 트랜스포머(Spectral-Spatial Transformer)였습니다. 3D-CNN은 국소 특징 추출 — 인접 대역 간 상관관계 — 에는 탁월하지만, 장거리 의존성에는 어려움을 겪습니다. 가시광 영역의 스펙트럼 패턴을 수백 개 대역 떨어진 단파 적외선 영역의 패턴과 연결하려면 다른 메커니즘이 필요합니다. 우리는 초분광 픽셀 벡터를 스펙트럼 토큰의 시퀀스로 취급하고, 셀프 어텐션을 사용해 모델이 주어진 예측에 가장 관련성 높은 대역에 동적으로 집중하도록 합니다. 가뭄 스트레스를 예측할 때, 모델은 레드 에지 대역과 SWIR 물 흡수 대역 간의 관계에 주목하도록 학습하여, 관련 없는 영역의 노이즈를 효과적으로 무시합니다.
우리는 기성 모델을 사용하지 않습니다. 우리는 스펙트럼 차원을 일급 시민으로 취급하는 아키텍처를 설계합니다.
우리 프로덕션 시스템은 하이브리드를 사용합니다: 국소 스펙트럼-공간 특징 추출을 위한 3D-CNN 프런트엔드, 전역 맥락을 위한 트랜스포머 백엔드입니다. 잎 화학의 미시 구조와 밭 변동성의 거시 구조가 단일 파이프라인에 포착됩니다.
아무도 이야기하지 않는 라벨 문제
AgTech 투자 설명 자료에서 충분히 다뤄지지 않는 것이 있습니다: 우리에게는 페타바이트 규모의 위성 이미지가 있지만, 그중 라벨링된 것은 거의 없습니다.
"그라운드 트루싱"이란 식물이 스트레스를 받고 있는지, 어떤 종류의 스트레스인지, 얼마나 심각한지를 확인하기 위해 농학자를 실제로 밭에 보내는 것을 의미합니다. 비용이 많이 듭니다. 느립니다. 확장되지 않습니다. 그리고 라벨이 없으면 지도 학습 딥러닝은 시작하자마자 죽은 것이나 다름없습니다.
이것은 그 어떤 아키텍처 결정보다도 저를 밤새 잠 못 들게 한 문제였습니다. 우리가 세계에서 가장 우아한 3D-CNN을 만들 수 있다 해도, 학습 데이터가 없으면 그것은 쓸모가 없을 것입니다.
해법은 자기지도 학습에서 나왔습니다. 우리는 마스크드 오토인코더를 스펙트럼 데이터에 맞게 적용했습니다: 대역의 일부를 가리고 — 이를테면 NIR을 숨기고 — 남은 것으로부터 사라진 것을 재구성하도록 모델을 학습시키는 것입니다. 신경망이 스펙트럼의 서로 다른 부분들 사이의 상관관계("이 표면 유형에서 적색 반사율이 높으면 NIR은 낮아야 한다")를 학습하도록 강제함으로써, 단 하나의 인간 라벨 없이도 식물 물리학의 견고한 내부 표현을 구축합니다.
그런 다음 우리는 특정 작업 — 대두 녹병 탐지, 질소 정량화, 물 스트레스 매핑 — 을 위해 소규모 라벨링된 데이터셋으로 미세 조정합니다. 최근 벤치마크에 따르면 자기지도 프레임워크는 92%의 정확도를 넘어설 수 있어 조기 질병 탐지에서 완전 지도 학습 기준선에 필적하면서도 현장 라벨의 필요성을 획기적으로 줄입니다. 스펙트럼 벡터 간 유클리드 거리를 사용해 유사한 픽셀과 구별되는 픽셀을 자동으로 식별하는 우리 자체의 거리 기반 스펙트럼 페어링 기법은 정확도를 11% 이상 향상시켰으며, 이는 전통적인 클러스터링과 비교한 결과입니다.
이것이 바로 글로벌 규모를 가능하게 하는 요소입니다. 모든 카운티에 농학자 군단이 필요한 것이 아닙니다. 우리에게 필요한 것은 물리학, 수학, 그리고 병든 것이 어떤 모습인지 모델에게 알려주기도 전에 건강한 것이 어떤 모습인지 가르칠 수 있을 만큼 충분한 라벨 없는 위성 데이터입니다.
이것은 실제로 달러로 환산하면 무엇을 의미하는가?
저는 기술적 우아함이 경제적 가치로 이어지지 않으면 아무 의미가 없다는 것을 배웠습니다. 그러니 구체적으로 말해보겠습니다.
농업 인텔리전스의 경제적 가치는 시간의 함수입니다. 개입 시점이 지난 후에 받은 정보는 가치가 0입니다. 개입이 도움이 되었을 시점보다 10일 늦게 밭이 스트레스를 받고 있다고 알려주는 RGB 모델은 값비싼 일기예보에 불과합니다. 반면 당신에게 14일 먼저 가시적 증상이 나타나기 전에 알려주는 초분광 모델은, 개입이 여전히 결과를 바꿀 수 있는 동안 표적 살균제 살포, 관개 조정, 영양분 보충 등 행동할 수 있는 창을 제공합니다.
연구에 따르면 AI 기반 조기 질병 탐지는 15~40%의 수확량 손실을 방지할 수 있으며, 탐지 기술의 ROI는 종종 150%를 초과합니다. 수천 헥타르를 관리하는 기업에게 이는 수백만 달러의 유지된 매출을 의미합니다.
다운스트림 응용은 복합적으로 늘어납니다. 스펙트럼 지도는 가변 살포 기술(variable rate technology)을 가능하게 합니다 — 밭 전체가 아니라 결핍으로 확인된 영역에만 살포하는 것이죠. 초분광 모델은 잎의 질소 함량을 충분히 정밀하게 정량화하여 포트폴리오 전반에서 살포량을 10% 줄이고, 비용과 환경 유출을 동시에 절감할 수 있습니다. 열 및 SWIR 대역은 작물 물 스트레스에 대한 직접적인 대리 지표를 제공하여, 물 사용량을 20~25% 줄일 수 있는 관개 최적화를 가능하게 합니다.
그리고 증거는 우리 자체 작업을 넘어서도 존재합니다. Descartes Labs는 위성 스펙트럼 아카이브에 머신러닝을 적용해 미국 옥수수 생산량을 예측했으며, 그 통계적 오차는 불과 2.37%였습니다 — 8월 초에 말이죠. 이는 USDA의 공식 조사가 비슷한 정확도에 도달하기 몇 주 전이었습니다. Planet Labs는 Organic Valley와 협력하여 스펙트럼 시그니처로부터 바이오매스와 사료 품질을 모델링해 방목을 최적화했고, 목초지 활용도를 20% 높였습니다. Gamaya는 브라질 사탕수수에 초분광 드론을 배치하여 RGB 드론이 완전히 놓친 선충 시그니처를 탐지했습니다.
우리 아키텍처와 벤치마크에 대한 전체 기술적 분석은 우리 연구 논문을 참조하십시오.
왜 그냥 이것에 LLM을 쓰면 안 되는가?
저는 인정하고 싶은 것보다 더 자주 이 질문을 받습니다. 보통은 투자자들에게서, 때로는 이제 GPT가 모든 것을 할 수 있다고 들은 잠재 고객들에게서 말이죠.
LLM은 200개 대역의 초분광 큐브를 파싱할 수 없습니다. 인터넷 사진으로 학습된 범용 비전 API는 밀 캐노피에서 질소 결핍과 곰팡이 감염을 구별할 수 없습니다. "래퍼 AI" 접근법 — 표준화된 API를 가져다 그 위에 도메인 특화 인터페이스를 얹는 것 — 은 텍스트 요약에는 통합니다. 하지만 데이터 자체가 파운데이션 모델이 본 그 어떤 것과도 근본적으로 다른 고위험 과학 영역에서는 무력합니다.
더 깊은 문제도 있습니다. 지능을 블랙박스에 아웃소싱하면, 감사 가능성을 잃게 됩니다. 파라메트릭 작물 보험의 가격을 책정하는 기업 보험사는 알아야 합니다, 왜 모델이 그 밭을 표시했는지를. 수확량 예측을 바탕으로 포지션을 잡는 원자재 트레이더는 그 논리를 물리적 측정값까지 추적할 수 있어야 합니다. "API가 그렇게 말했으니까"는 이러한 맥락에서 받아들일 수 있는 답이 아닙니다.
우리는 모델을 밑바닥부터 처음부터 구축합니다. 우리는 스펙트럼 복사휘도를 농학적 통찰로 변환하는 수학적 연산을 소유합니다. 그것은 철학적 선호가 아니라 — 자사의 AI가 인터넷 텍스트와의 통계적 상관관계가 아니라 물리학에 기반하여 감사 가능하고 설명 가능해야 하는 모든 고객에게는 필수 요건입니다.
아무도 구축하고 싶어 하지 않는 인프라
한 가지 솔직히 말해야겠습니다: 모델은 화려한 부분입니다. 그 아래에 있는 인프라야말로 대부분의 팀이 포기하는 지점입니다.
단일 초분광 이미지는 표준 RGB 위성 이미지보다 50~100배 클 수 있습니다. 단일 드론 비행 캠페인은 테라바이트 규모를 생성합니다. 이것을 폴더에 저장하고 표준 이미지 라이브러리로 불러올 수는 없습니다. GPU 클러스터가 3D-CNN 학습에 필요한 속도로 실제로 데이터를 수집할 수 있도록, 특정 스펙트럼 슬라이스의 병렬 읽기를 허용하는 청크 단위의 압축된 텐서 포맷 — Zarr, Cloud Optimized GeoTIFF — 이 필요합니다.
그다음은 대기 보정입니다. 대기는 모든 측정값을 왜곡합니다 — 수증기, 에어로졸, 산란 말이죠. 원시 위성 이미지에는 이 노이즈가 담겨 있습니다. 그것을 신경망에 곧바로 입력하면, 모델은 작물 건강 대신 "연무"를 분류하도록 학습합니다. 우리는 물리 기반 복사 전달 모델을 실행하여 대기를 걷어내고 캐노피의 진정한 스펙트럼 시그니처를 복원합니다. 그다음은 기하 보정과 서브픽셀 정합입니다. 오늘 좌표 (x, y)의 픽셀이 지난주와 동일한 물리적 지면 조각에 대응하지 않는다면, 시계열 분석은 무의미하기 때문입니다.
이 중 어느 것도 흥미롭지 않습니다. 그러나 전부가 필요합니다. 그리고 그것이 바로 "그냥 위성 데이터로 비전 모델을 미세 조정하라"는 방식이 데모에서는 작동하는 것처럼 보일 때조차 실제로는 실패하는 이유입니다.
기업이 기성 AI 모델을 사용하기 위해 방사 측정 데이터를 시각적 이미지로 축소할 때, 그들은 능동적으로 데이터를 파괴하고 있는 것입니다.
스펙트럼의 미래는 이미 와 있다
우리는 제가 초분광 데이터의 황금기라 부를 만한 시대로 접어들고 있습니다. Planet의 Tanager 위성군은 궤도에서 탄소와 화학 시그니처를 매핑하고 있습니다. 독일의 EnMAP은 운용 중입니다. NASA의 표면 생물학 및 지질학(Surface Biology and Geology) 미션이 다가오고 있습니다. 스펙트럼 인텔리전스의 원료가 곧 풍부해질 참입니다.
다음 개척지는 이 데이터를 궤도에서 처리하는 것입니다 — 위성 하드웨어에서 실행되는 경량 3D-CNN과 양자화된 트랜스포머가 원시 테라바이트 대신 통찰을 전송하는 것이죠. 수 기가바이트의 데이터 덤프 대신 "A 밭에 녹병이 있음"을 전송합니다. 지연 시간은 수 시간에서 수 분으로 줄어듭니다.
그리고 분광학의 물리학은 농업에서 멈추지 않습니다. 우리가 엽록소 탐지에 사용하는 동일한 아키텍처는 광업에서의 광물 식별, 환경 모니터링에서의 메탄 누출 탐지, 심지어 RGB에서는 초록색으로 보이지만 실제 식생의 레드 에지가 없는 위장 차량 식별에까지 적용됩니다.
하지만 저는 계속 농업으로 돌아옵니다. 걸린 것들이 너무나 즉각적이고 너무나 인간적이기 때문입니다. 방지된 15%의 수확량 손실. 과잉 관개로 고갈되지 않은 지하수면. 1,000에이커가 아니라 10에이커에 살포된 살균제. 이것들은 추상적인 개선이 아닙니다. 이것들은 나쁜 계절을 견뎌내는 농장과 그렇지 못한 농장의 차이입니다.
위성 데이터를 예쁜 사진처럼 취급하던 시대는 저물고 있습니다. 누군가가 그래야 한다고 결정해서가 아니라, 경제성이 더 이상 그것을 뒷받침하지 못하기 때문입니다. 스트레스가 눈에 보이기 2주 전에 감지할 수 있을 때, 하루의 지연에는 저마다 달러 가치가 있습니다. 질소 결핍과 물 스트레스, 곰팡이 감염을 구별할 수 있을 때, 모든 무차별 살포는 측정 가능한 낭비입니다.
RGB 컴퓨터 비전에 매달리는 기업들은 계속해서 자신들의 밭을 선명하게 보면서도 형편없이 이해할 것입니다. 그들은 형태에 맞춰 최적화하겠지만, 그동안 화학은 다른 이야기를 들려줍니다 — 그들이 방사계를 카메라처럼 취급하기 시작한 이래로 귀 기울이지 않아 온 이야기 말입니다.
픽셀을 보는 것을 멈추십시오. 스펙트럼을 읽기 시작하십시오.
