현재의 직물(섬유) 인식 기법들은 제한된 적응성과 일반화 능력으로 인해 복잡한 실제 환경에서 종종 어려움을 겪는다. 이러한 과제를 해결하기 위해, 본 논문은 훈련 및 테스트 데이터셋에 세 가지 서로 다른 증강(augmentation) 방법을 적용하는 혁신적인 데이터 처리 프레임워크를 제안한다. 이 접근은 다양한 조건에서 직물을 인식하는 모델의 능력을 향상시킨다. 또한 조기 신경 주의(Early Neural Attention, ENA)를 통합하여 초기 단계에서 필수 이미지 특징에 집중하도록 설계된 최적화된 MobileNetV3 모델을 제안한다. 더 나아가 기존 병목(bottleneck) 구조를 수정하고, ReLU 활성화 함수를 SELU로 대체하여 강건성 및 수렴 속도를 개선한다. 비교 실험을 통해 개선된 모델의 효과가 검증되었으며, 정확도, 정밀도, 재현율, F1-score에서 유의미한 향상을 보였다. 이러한 결과는 역동적이고 도전적인 직물 인식 상황에서 모델이 신뢰성 있게 수행할 수 있음을 확인한다.

학습을 적용한 많은 모델이 우수한 성능을 보임에도 불구하고, 학습에 사용되는 데이터셋 또는 이미지 생성 및 전송 과정에는 잡음이 포함될 수 있으며, 이는 기대되는 결과와 성능을 도출할 수 없다. 딥 신경망을 이용한 대표적인 이미지 복원(denoising) 기법은 원본 이미지에 강제로 특수 잡음을 추가하고, 그 잡음이 추가된 이미지를 원본 이미지와 동일하게 만들도록 학습하여 잡음이 포함된 이미지를 생성한다. 그러나 딥 신경망의 성능은 네트워크 깊이에 의존하며, 성능을 향상시키기 위해서만 깊이를 증가시키면 성능 포화 상태에 도달하여 어려움에 직면하게 된다. 이러한 문제를 개선하기 위해, 본 논문은 불필요한 정보를 억제하고 중요한 정보만을 강조하는 기능을 제공하기 위해, 대표적인 복원 딥러닝 모델인 U-Net에 멀티스케일 어텐션(Multi-scale Attention) 모델을 적용한다. 새로운 모듈형 접근에서, 주어진 입력 값은 내부적 관계를 기준으로 두 부분으로 분할되며, 하나는 중요한 부분이 집중된 영역이고 다른 하나는 공간 정보를 통해 중요한 부분이 집중되도록 하는 영역이다. 병렬 실행 후 두 부분을 결합하는 Outburst 구조 기반의 어텐션 단위를 구현하였고, 그 결과 기존 모델보다 더 나은 성능을 보였다. 또한 PSNR과 SSIM을 통해서만이 아니라 구성 요소의 효과에 초점을 맞추어, 다른 모델들에 비해 더 많은 공간 특징 맵(spatial feature maps)을 추가 파라미터를 과도하게 늘리지 않고 생성한다. 향상된 성능은 잡음이 포함된 이미지에서 잡음을 제거하는 과정을 통해서도 확인되었다.