Denoising-Enhanced YOLO for Robust SAR Ship Detection

이 논문은 복잡한 SAR 영상 환경에서 잡음 제거, PPA 어텐션 기반의 특징 추출 강화, 그리고 NWD 기반의 가우시안 유사도 손실 도입을 통해 YOLOv8 기반의 CPN-YOLO 모델을 제안하여 선박 탐지 성능을 획기적으로 개선한 연구입니다.

핵심

소음 없는 바다, 작은 배까지 찾아내는 '초능력의 눈'

(CPN-YOLO: SAR 선박 탐지 기술 설명)

이 논문은 **"어두운 밤이나 폭풍우 속에서도 레이더로 바다를 비추면, 작은 배 하나까지 놓치지 않고 찾아내는 새로운 인공지능 기술"**에 대한 이야기입니다.

기존 기술들이 겪었던 문제와 이 연구가 어떻게 해결했는지, 마치 낚시꾼과 망원경에 비유해서 쉽게 설명해 드릴게요.

---

1. 왜 새로운 기술이 필요했을까? (문제 상황)

바다를 감시하는 SAR(합성개구레이더) 카메라는 밤에도, 비가 와도 바다를 볼 수 있는 '초능력'을 가진 장비입니다. 하지만 이 장비로 배를 찾을 때는 세 가지 큰 난관이 있었습니다.

1. 소음과 안개 (Noise & Clutter): 바다에는 배뿐만 아니라 파도, 비, 먼지 같은 '소음'이 가득합니다. 기존 기술은 이 소음 때문에 "배가 있나? 없나?"를 헷갈려서 **잘못된 경보 (거짓 탐지)**를 자주 울렸습니다.
2. 작은 배를 놓침 (Small Targets): 배가 너무 작으면, 카메라가 바다를 확대할 때 (다운샘플링) 그 작은 배가 바다 물결 속에 완전히 숨어버려서 아예 못 찾았습니다. 마치 먼지 하나를 확대해서 보려다가 오히려 먼지가 사라진 것처럼요.
3. 정확한 위치 잡기 어려움 (Localization): 배를 찾았다고 해도, "배의 정중앙"을 정확히 박는 게 어렵습니다. 특히 배가 작을수록 "여기다!"라고 표시하는 선이 조금만 빗나가도 실패로 간주됩니다.

비유: 마치 어두운 밤에 안개 낀 바다에서 낚시꾼이 아주 작은 물고기를 낚으려는데, 물결 소음에 귀가 먹먹하고, 망원경이 흐릿해서 작은 물고기는 안 보이고, 잡았다고 해도 줄을 정확히 묶지 못해 물고기가 다시 도망가는 상황입니다.

---

2. 이 연구가 만든 해결책: CPN-YOLO

연구팀은 유명한 인공지능 모델인 YOLOv8을 기본으로 삼아, 위 세 가지 문제를 해결하기 위해 **세 가지 '특수 장비'**를 달았습니다.

🛠️ 첫 번째 장비: '소음 제거 필터' (CID 모듈)

• 기능: 카메라가 들어온 이미지를 분석하기 전에, 불필요한 소음 (파도, 비) 을 걸러내는 필터를 먼저 통과시킵니다.
• 비유: 안개 낀 바다에 투명한 안개 제거 안경을 끼는 것과 같습니다. 이 안경을 끼면 배의 윤곽이 선명하게 보이고, 소음 때문에 헷갈릴 일이 사라집니다.
• 효과: "배가 있나?"를 판단할 때 소음에 속지 않고, 진짜 배만 집중하게 됩니다.

🔍 두 번째 장비: '작은 배를 위한 초점 망원경' (PPA 모듈)

• 기능: 배를 찾을 때, 멀리 있는 큰 배뿐만 아니라 가까운 곳의 아주 작은 배도 놓치지 않도록 여러 각도에서 집중해서 봅니다.
• 비유: 일반적인 망원경은 멀리 있는 큰 배는 잘 보이지만, 가까이 있는 작은 배는 흐릿하게 보입니다. 이 장치는 작은 배를 위해 별도의 '확대 렌즈'를 여러 개 달아 작은 배의 특징도 놓치지 않게 합니다.
• 효과: 바다 위에 떠 있는 아주 작은 보트나 구조선도 놓치지 않고 찾아냅니다.

🎯 세 번째 장비: '정밀한 표적 잡이' (NWD 손실 함수)

• 기능: 배를 찾았을 때, "배의 중심"을 얼마나 정확히 잡았는지를 계산하는 새로운 점수 계산법입니다.
• 비유: 기존 방법은 "배의 네모난 상자"가 겹치는 정도만 봤습니다. 하지만 이 방법은 배를 '구름 모양'이나 '확산된 빛'처럼 생각합니다. 배의 중심이 가장 밝고 가장자리로 갈수록 흐릿해진다고 가정하고, 그 흐릿함까지 고려해서 정확도를 계산합니다.
• 효과: 배가 작을수록, 혹은 배가 겹쳐 있을 때에도 "여기가 배의 중심이다!"라고 정확하게 찍어냅니다.

---

3. 결과는 어땠을까? (성공 사례)

연구팀은 두 가지 유명한 바다 데이터 (SSDD, HRSID) 로 실험을 해보았습니다.

• 결과: 기존에 가장 잘하던 기술들 (YOLOv8, Faster R-CNN 등) 보다 압도적으로 좋은 점수를 받았습니다.
  • 정확도 (Precision): 97.0% (거짓 경보가 거의 없음)
  • 발견율 (Recall): 95.1% (놓친 배가 거의 없음)
• 시각적 증명:
  • SSDD 데이터: 5 척의 배가 있는 사진에서, 다른 모델들은 1~4 척을 놓치거나 엉뚱한 곳을 지목했지만, 이 기술은 5 척을 모두 정확히 찾아냈습니다.
  • HRSID 데이터: 8 척의 배 (작은 배 포함) 가 있는 사진에서도 7 척을 정확히 찾아냈습니다.

비유: 다른 낚시꾼들이 10 마리 중 3~4 마리만 잡거나, 돌을 배로 착각할 때, 이 기술은 10 마리 중 9 마리 이상을 정확히 잡고, 돌은 절대 건드리지 않았습니다.

---

4. 요약: 왜 이 기술이 중요한가요?

이 기술 (CPN-YOLO) 은 어두운 밤, 폭풍우, 작은 배라는 가장 어려운 조건에서도 **안정적으로 배를 찾아내는 '초능력의 눈'**을 만들어냈습니다.

• 소음 제거: 안개 낀 바다에서도 선명하게 봅니다.
• 작은 배 발견: 먼지 같은 작은 배도 놓치지 않습니다.
• 정밀 위치: 배의 위치를 미터 단위까지 정확히 잡습니다.

이 기술이 상용화되면, 해상 교통 관리, 해상 안전 감시, 재난 구조 등에서 실수 없이 빠르고 정확하게 배를 찾을 수 있게 되어, 바다에서의 사고를 예방하고 인명을 구하는 데 큰 도움이 될 것입니다.

물론 아직 컴퓨터 성능이 많이 필요하다는 단점이 있지만, 앞으로 더 가볍고 빠른 기술로 발전할 예정이라고 합니다.

기술 요약

1. 문제 정의 (Problem)

합성 개구 레이더 (SAR) 이미지를 활용한 선박 탐지는全天候 (모든 기상 조건) 관측이 가능하다는 장점이 있으나, 다음과 같은 주요 난제들로 인해 복잡한 환경에서 견고한 성능을 내기 어렵습니다.

• 잡음 및 불균일한 조명: SAR 이미지는 강한 스펙클 노이즈 (speckle noise) 와 해면의 복잡한 배경 잡음 (clutter) 을 포함하며, 저조도 환경에서는 선박의 특징이 약해지고 배경과의 대비가 낮아 탐지가 어렵습니다.
• 작은 표적의 정보 손실: 작은 선박은 이미지의 몇 픽셀에 불과한 경우가 많습니다. 기존 탐지기의 다운샘플링 (down-sampling) 과정에서 이러한 작은 표적의 공간적 정보가 손실되거나 배경에 묻혀버리는 문제가 발생합니다.
• 학습 불균형 및 국소화 오류: 작은 표적은 바운딩 박스 (Bounding Box) 중첩률 (IoU) 계산 시 미세한 위치 오차에도 민감하게 반응하여 양성 샘플 할당이 어렵고, 이로 인해 학습 불균형과 탐지 실패 (False Negative) 가 빈번히 발생합니다.

2. 제안 방법론 (Methodology: CPN-YOLO)

저자들은 YOLOv8 을 기반으로 하여, SAR 이미지 특성에 맞춰 세 가지 핵심 모듈을 개선한 CPN-YOLO를 제안합니다.

A. 채널 독립적 탈노이즈 모듈 (CID: Channel-Independent Denoising)

• 목적: 입력 전처리를 통해 스펙클 노이즈와 배경 잡음을 억제하고, 중요한 선박 특징을 보존합니다.
• 구조:
  • 대형 커널 심층 합성곱 (Large-kernel Depth-wise Convolution): 7x7 커널을 사용하여 공간적 맥락 (Global Context) 을 포착하고 노이즈를 제거합니다.
  • 채널 주의 메커니즘 (Channel Attention): 채널 간 정보 교환을 차단하고 각 채널의 중요도를 평가하여 노이즈가 포함된 채널을 억제하고 유용한 특징을 강화합니다.
  • 효과: 공간적 (Spatial) 과 채널적 (Channel) 차원에서의 최적화를 통해 작은 선박의 구조적 정보를 보존합니다.

B. 병렬 패치 인식 어텐션 모듈 (PPA: Parallelized Patch-Aware Attention)

• 목적: 다운샘플링 과정에서 발생하는 작은 표적의 특징 손실을 보완하고, 다중 스케일 특징을 강화합니다.
• 구조:
  • 멀티 브랜치 특징 추출: 패치 인식 (Patch-Aware) 합성곱을 통해 국소 (Local, p=2) 와 전역 (Global, p=4) 수용 영역을 동시에 추출합니다.
  • 특징 선택 및 융합: 고급 토큰 선택 (Token Selection) 과 채널 선택 메커니즘을 통해 작업에 적합한 특징을 선별합니다.
  • 어텐션 강화: 1 차원 채널 어텐션과 2 차원 공간 어텐션을 순차적으로 적용하여 중요한 영역 (Salient Regions) 에 대한 가중치를 높입니다.
  • 효과: 작은 선박에 대한 민감도를 높이고, 다중 스케일 특징의 통합을 통해 탐지 정확도를 향상시킵니다.

C. 정규화 워스터스타인 거리 기반 손실 함수 (NWD-based Loss)

• 목적: 작은 표적의 바운딩 박스 회귀 (Regression) 안정성을 높이고, IoU 기반 손실 함수의 한계를 극복합니다.
• 원리:
  • 바운딩 박스를 2 차원 가우시안 분포로 모델링합니다.
  • 정규화 워스터스타인 거리 (Normalized Wasserstein Distance, NWD): 두 가우시안 분포 간의 거리를 계산하여 유사도를 측정합니다.
  • 장점: 겹침이 없거나 미미한 작은 객체 간의 거리도 연속적으로 측정 가능하며, 객체의 스케일에 따른 손실 민감도를 줄여 작은 표적의 국소화 정확도를 높입니다.

3. 주요 기여 (Key Contributions)

1. CPN-YOLO 프레임워크 개발: SAR 노이즈와 작은 표적 탐지 문제를 동시에 해결하기 위해 YOLOv8 기반의 고정밀 탐지 프레임워크를 제안했습니다.
2. 이중 모듈 통합 (CID & PPA):
   • CID: 채널 간 노이즈 간섭을 줄이고 입력 이미지의 품질을 개선합니다.
   • PPA: 어텐션 기반의 다중 레벨 융합을 통해 작은 스케일 특징 표현을 강화합니다.
3. NWD 기반 회귀 손실 도입: 가우시안 분포 모델링을 통해 바운딩 박스 유사도를 측정함으로써, 작은 객체의 국소화 일반화 성능과 학습 안정성을 개선했습니다.
4. 광범위한 실험 검증: HRSID 과 SSDD 두 가지 주요 SAR 선박 탐지 벤치마크에서 기존 최첨단 모델들보다 우수한 성능을 입증했습니다.

4. 실험 결과 (Results)

두 가지 데이터셋 (SSDD, HRSID) 에서 다양한 기존 모델 (YOLOv8, YOLOv5, Faster R-CNN, FCOS, DiffusionDet 등) 과 비교 실험을 수행했습니다.

• SSDD 데이터셋 성능:
  • mAP@0.5: 97.3% (기존 YOLOv8 대비 1.4%p 향상)
  • mAP@0.5:0.95: 66.5% (가장 높은 성능 기록)
  • 정밀도 (Precision): 97.0%, 재현율 (Recall): 95.1%
  • 시각화 결과에서 근해 (Inshore) 선박에 대한 누락 (Missed Detection) 이나 오검출 (False Positive) 없이 모든 표적을 정확히 탐지했습니다.
• HRSID 데이터셋 성능:
  • mAP@0.5: 88.9% (타 모델 대비 최고 성능)
  • mAP@0.5:0.95: 64.5%
  • 해상 (Offshore) 과 근해의 작은 선박 모두에서 다른 모델들보다 우수한 탐지 능력을 보였습니다.
• 성분 분석 (Ablation Study):
  • CID, PPA, NWDLoss 각각의 추가가 성능을 단계적으로 향상시켰으며, 특히 PPA 는 mAP@0.5:0.95 를 4.6% 향상시키는 데 기여했습니다.
  • NWDLoss 는 기존 IoU 기반 손실 (DIoU, GIoU) 대비 평균 정밀도 (Average Precision) 에서 0.982 로 가장 높은 성능을 보였습니다.

5. 의의 및 결론 (Significance)

이 논문은 SAR 이미지 기반 선박 탐지의 핵심 난제인 노이즈, 작은 표적, 복잡한 배경에 대해 체계적인 해결책을 제시했습니다.

• 기술적 의의: 기존 YOLO 아키텍처에 노이즈 제거, 어텐션 강화, 그리고 분포 기반 손실 함수를 결합하여, 작은 객체 탐지의 정확도와 견고성을 동시에 높인 새로운 패러다임을 제시했습니다.
• 실용적 가치: 해상 교통 관리, 안전 모니터링, 해안 보안 등 실시간성이 요구되는 군사 및 민간 분야에서 고정밀 선박 탐지 시스템 구축에 기여할 수 있습니다.
• 향후 과제: 현재 모델은 높은 계산 비용이 소요되므로, 향후 경량화 아키텍처 설계와 효율적인 추론 전략을 통해 자원 제약 환경 (예: 엣지 디바이스) 에서의 적용 가능성을 높이는 것이 향후 연구 방향입니다.

요약하자면, CPN-YOLO는 SAR 이미지의 고유한 특성을 고려하여 설계된 강력한 선박 탐지기로, 특히 작은 선박과 잡음이 많은 환경에서의 탐지 성능을 획기적으로 개선한 것으로 평가됩니다.