물리 기반 탐지기: SAR 항공기용

SAR 항공기 타깃의 분산 구조 분포(이산성)와 변동하는 산란 특성(가변성)은 객체 탐지 및 인식에 특수한 도전 과제를 초래한다. 현재의 딥러닝 기반 탐지기들은 복잡한 배경 속에서 미세한 구조를 가진 SAR 항공기 타깃을 구분하는 데 어려움을 겪고 있다. 이를 해결하기 위해, 본 연구에서는 SAR 항공기 타깃의 이산성과 가변성을 종합적으로 고려하여 탐지 성능을 향상시키는 새로운 물리학 지도형 탐지기 학습 프레임워크(PGDL: Physics-guided Detector Learning)를 제안한다. 이는 ‘백본-네이트-헤드’ 아키텍처를 가진 다양한 기존 딥러닝 기반 탐지기로 확장 가능한 일반적인 학습 프레임워크이다. PGDL의 주요 기여는 물리학 지도형 자기지도 학습(PGSSL), 특징 강화(PGFE), 인스턴스 인지(PGIP)로 각각 구현되며, 각각의 핵심 기능은 다음과 같다. PGSSL은 다양한 이산 구조 분포에 대한 사전 지식을 임베딩 공간에 통합하는 자기지도 학습 작업을 설계한다. 이후 PGFE는 PGSSL을 통해 학습된 물리학 인식 정보를 기반으로 탐지기의 다중 스케일 특징 표현을 강화한다. PGIP는 탐지 헤드에 구축되어 각 SAR 항공기 인스턴스의 정교화된 주요 산란점 정보를 학습함으로써 복잡한 배경에 의한 간섭을 완화한다. 본 연구에서는 두 가지 구현체인 PGD와 PGD-Lite를 제안하였으며, 다양한 백본 및 탐지 헤드를 가진 기존 탐지기들에 적용하였다. 실험 결과, 제안한 PGDL이 유연성과 효과성을 입증하였으며, 미세 분류를 포함한 SAR 항공기 탐지 작업에서 기존 탐지기의 성능을 개선(최대 3.1%의 mAP 향상)하였고, SAR-AIRcraft-1.0 데이터셋에서 최신 기술 수준의 성능(90.7% mAP)을 달성하였다. 본 연구 프로젝트는 오픈소스로 제공되며, GitHub 링크를 통해 접근 가능하다: \url{https://github.com/XAI4SAR/PGD}.