해상 보안에서 불법 활동 선박을 가려내는 일은 중요하지만, 전파식별장치(AIS)를 끈 이른바 dark vessel은 관측망을 피한다. 이번 arXiv 프리프린트는 SAR 이미지에서 선박을 찾고, 그 결과와 별도의 표 형식 자료를 연결해 총톤수(GT)까지 추정하는 틀을 제안했다.
핵심은 하나의 공개 SAR 데이터셋에 위치·종류·치수·GT 라벨이 모두 갖춰져 있지 않다는 점이다. 연구진은 HRSID, FUSAR-Ship, Tab-AIS처럼 서로 다른 데이터를 조합해 다중과제 탐지기와 비모수 회귀기를 순차적으로 붙였다. 먼저 Faster R-CNN 기반 탐지기로 위치, 선박 종류, 길이·너비를 예측하고, 이후 KNN 회귀로 길이·너비·종류를 바탕으로 GT를 추정한다.
전처리 단계에서는 SAR 특화 형태학 처리와 CLAHE, 로그 변환을 적용했다. 탐지부는 ResNeXt-50 백본, RPN, RoI Align을 사용했으며, 앵커 스케일은 [8, 256], 종횡비는 0.2~5.0으로 설정했다. GT 추정에서는 길이·너비의 유클리드 거리와 종류 기반 범주 거리를 결합한 하이브리드 거리를 쓰고, 범주 차이는 표면 차이 또는 잔차 분포 거리로 정의해 0~1로 정규화했다.
실험은 HRSID(800×800, 0.5~3 m/px), FUSAR-Ship(512×512)와 Tab-AIS를 이용해 분리된 학습 절차로 진행됐다. HRSID에서는 탐지와 치수 회귀를 학습하고, FUSAR-Ship에서는 분류를, Tab-AIS에서는 GT KNN을 맞췄다. 평가 표에는 평가용 데이터에서 F1 79.55%, mAP 67%, 길이 MAPE 18.12%, 너비 MAPE 18.45%, GT MAPE 14.36%가 제시됐다. Kα를 썼을 때 예측 길이·너비 입력보다 오차가 더 커져 GT MAPE가 58.45%까지 올라간다고도 적었다.
비교에서는 FUSAR-Ship 분류가 전용 접근법과 비슷한 성능을 보였고, HRSID 탐지는 다른 기법이 F1 약 4%, mAP 약 6% 더 높았다고 정리했다. 반면 GT 회귀에서는 DWT용 방법을 그대로 대체하면 K 대비 MAPE가 최대 11% 더 나빠져 GT에의 이전성이 낮다고 해석했다. 연구진은 테스트용 소규모 private 데이터셋과 공개 데이터 조합도 따로 평가했으며, 800×800 이미지 한 장당 평균 추론 시간은 0.23초라고 밝혔다.
| 구분 | 데이터/모델 | 원문 수치·조건 | source_locator |
|---|---|---|---|
| HRSID | 탐지·치수 회귀 학습용 D1 | 800×800 pixels, 0.5–3 meters per pixel, Sentinel-1/TerraSAR-X/TanDEM-X | p.4 | Datasets |
| SAR-Test | 평가용 공개/실험 데이터 | F1 79.55%, mAP 67%, MAPE l 18.12%, MAPE w 18.45%, MAPE t 14.36% | p.4 | Table 3 |
| Kα | 길이·너비→GT KNN 회귀 | 예측 길이·너비 입력 기준보다 GT MAPE가 58.45%까지 증가 | p.4 | Table 3; p.4 | Results |
| 추론 시간 | 전체 방식 | 800 × 800 이미지당 평균 0.23 s | p.5 | source_excerpt |
자료: STORIUM 정리
이 논문은 동료검토 전 arXiv에 공개된 첫 원고이며, 공개 코드 저장소도 함께 제시했다. 본문에 있는 수치는 표와 그림에 한정돼 있어, 개별 클래스별 정확도나 private 데이터셋의 상세 결과처럼 카드에 드러나지 않은 항목은 확인할 수 없다.
저작권자 © STORIUM 무단전재 및 재배포 금지
