SAR 영상 기반 선박 분류의 데이터 전이 및 미지 클래스 탐지 연구
Cross-Dataset Transfer and Unknown-Class Detection in Imbalanced SAR Ship Classification
arXivSAR(합성개구레이더) 영상으로 선박을 분류하는 AI 모델의 실제 적용 가능성을 검증하며, 데이터셋 간 성능 전이와 미지 클래스 탐지에 초점을 맞췄습니다.
- 모델은 다른 데이터셋에 적용할 때 심각한 성능 저하를 보였으며, 미지 클래스를 탐지하는 데는 작업별 불확실성 점수가 더 유용함을 확인했습니다.
- 이는 SAR 영상 기반 AI가 실제 환경에 적용될 경우, 학습 데이터와 운영 환경 간의 성능 격차를 극복하기 어렵다는 중요한 한계를 시사합니다.
- 다만, 미지 클래스 탐지의 성능은 사용된 데이터셋과 제외된 클래스에 따라 달라지며, 방법론 간 우위 순위도 상황별로 다름을 유의해야 합니다.
합성개구레이더(SAR) 영상을 이용한 선박 분류는 중요한 컴퓨터 비전 과제이지만, 모델 배포 환경 변화에 따른 견고성은 아직 불분명합니다. 본 연구에서는 이러한 문제를 해결하기 위해 6개의 사전 학습된 모델을 두 가지 SAR 선박 데이터셋에서 세 가지 설정(도메인 내 분류, 교차 데이터셋 전이, 미지 클래스 탐지)으로 평가했습니다.
평가 결과, 도메인 내 분류에서는 SARDet100K가 FUSARShip과 OpenSARShip 데이터셋 모두에서 가장 균형 잡힌 정확도를 보였습니다(각각 73.4%, 53.2%). 그러나 교차 데이터셋 전이 과정에서는 심각한 성능 저하가 관찰되었으며, 일부 모델은 적당한 정확도는 보였으나 OpenSARShip에서 FUSARShip으로의 전이 시 균형 정확도가 기대치에 가까운 수준(예: 64.5% 대 33.3%)을 나타내는 등 실패 사례가 확인되었습니다.
미지 클래스 탐지의 경우, 성능은 제외된 클래스와 데이터셋에 따라 달라졌습니다. MC-dropout 분산 값은 종종 무작위값과 근접한 경향을 보였으며, 작업별 불확실성 점수가 미지 클래스 탐지에 더 유용함을 보여주었습니다. 다만, 이러한 방법론들의 상대적 순위는 사용된 데이터셋과 제외된 클래스에 따라 달라지는 한계가 있습니다.