산불 이미지 데이터 증강을 위한 문맥 인식 기술 연구
Multiclass Semantic Segmentation of Wildland Fire Images Using Context-Aware Centralized Copy-Paste Data Augmentation
arXiv산불 이미지의 주석 작업은 비용과 시간이 많이 들고 데이터 확보가 어려운데, 이를 해결하기 위한 새로운 합성 기술이 개발되었습니다.
- 기존 무작위 배치 방식의 오류를 개선하여, 산불 위치를 의미론적으로 유효한 영역에만 제한하고 재와 식생 구성을 일치시켜 현실성을 높였습니다.
- 합성 데이터의 사실성과 품질을 극대화함으로써, 실제 야외 환경에서 작동하는 AI 기반 산불 감지 및 분석 시스템 성능 향상에 기여합니다.
- 이 방법은 클래스가 많은 소규모 산불 데이터셋에 효과적이며, 다중 목표 최적화(MOO) 평가를 통해 높은 현실성과 분할 성능을 입증했습니다.
딥러닝 기반의 이미지 분할(Semantic Segmentation)에 필요한 정확한 주석 작업은 비용이 많이 들고 노동 집약적입니다. 특히 산불과 같은 역동적인 야외 환경에서는 데이터를 수집하고 주석을 달기 어렵기 때문에, 라벨링된 데이터셋 확보가 매우 어려운 문제가 있습니다. 기존 연구에서 사용되던 중앙 집중식 복사-붙여넣기(CCPDA) 방식은 무작위로 불꽃 클러스터를 붙이는 방식을 사용했으나, 이 경우 아스팔트 위 등 문맥적으로 비현실적인 장면을 생성할 수 있다는 한계가 있었습니다.
본 연구에서는 이러한 문제를 해결하기 위해 문맥 인식 기반의 데이터 증강 전략을 제시했습니다. 이 방법은 작은 다중 클래스 산불 데이터셋에서 데이터 품질과 현실성을 높이는 데 초점을 맞춥니다. 구체적으로, 불꽃 배치 위치를 의미론적으로 유효한 타겟 영역으로 제한하고, 붙여넣는 위치가 원본의 재와 식생 구성(Ash-Vegetation composition)과 가장 유사하도록 선택함으로써 문맥적 정확도를 유지합니다.
제안된 Context-Aware CCPDA 전략은 가짜 배치를 방지하고 실제 산불 장면과 유사한 이미지를 생성하여 데이터셋을 보강합니다. 연구진들은 이 방법을 가중 합 기반의 다중 목표 최적화(MOO) 접근법으로 평가했으며, 그 결과 문맥 인식 데이터 증강 전략이 다른 기존 증강 절차들보다 향상된 분할 성능과 높은 문맥적 현실성을 보여주었음을 확인했습니다.