기술 요약: SAR 영상 내 유류 오염 분할을 위한 비지도 학습 기반 이미지 재구성 이상 탐지

문제 정의

유류 오염 탐지는 환경적 피해와 경제적 손실을 완화하는 데 매우 중요합니다. 합성 개구 레이더(SAR) 영상은 전천후, 주야간 모니터링 능력을 갖추고 있어 선호되는 매체이지만, 현재의 최첨단 탐지 방법들은 주로 지도 학습 기반의 딥러닝에 의존하고 있습니다. 이러한 지도 학습 방식은 픽셀 단위의 정답(ground truth) 라벨을 필요로 하며, 이 과정은 노동 집약적이고 비용이 많이 들며 전문적인 현장 지식을 요구합니다. 또한, 의료 또는 산업용 영상이나 초분광 데이터용으로 개발된 기존의 비지도 이상 탐지 기법들은 SAR 영상 적용 시 어려움을 겪습니다. SAR에서 유류 오염은 확산되고 대비가 낮으며 질감 기반의 이상 징[]로 나타나는데, 이는 일반적인 해수면 상태와 매우 유사하여 정상적인 배경 변화 및 "룩얼라이크(look-alikes, 예: 생물학적 슬릭, 저풍속 구역)"와 구별하기 어렵기 때문입니다. 게다가 SAR 데이터에 내재된 간섭성 후방 산란(coherent backscatter)과 스펙클 노이즈(speckle noise)는 초분광 데이터의 매끄러운 스펙트럼 분포와 근본적으로 다르므로, 기존의 많은 이상 탐지 아키텍처를 효과적이지 않게 만듭니다.

방법론

저자들은 SAR 영상에 특화되어 설계된 새로운 비지도 이미지 재구성 기반 이상 탐지 모델인 Res6-Deep11을 제안합니다. 이 모델의 핵심 전제는 "정상" 해양 영상(유류 오염이 없는 영상)만을 사용하여 모델을 학습시키는 것입니다. 결과적으로 모델은 전형적인 해수면 패턴을 재구성하는 법을 학습하지만, 이상 영역(유류 오염)은 정확하게 재구성하지 못하게 되며, 이를 통해 재구성 오차(reconstruction error)를 통해 해당 영역을 식별할 수 있습니다.

아키텍처

모델은 정체 매핑(identity mapping, 네트워크가 입력을 단순히 출력으로 복사하여 이상치에 대한 민감도가 낮아지는 현상)을 방지하기 위해 비대칭 구조를 가진 컨볼루션 오토인코더(CAE)입니다.

• 인코더(Encoder): BEN-S1.0 SAR 데이터셋으로 사전 학습된 수정된 ResNet 아키텍처(6개의 잔차 블록)를 기반으로 합니다. 공간적 차원을 보존하기 위해 표준 ResNet의 글로벌 평균 풀링 및 완전 연결 계층을 제거하였으며, 그 결과 잠재 공간(latent space)은 $8 \times 8$이 됩니다. 예비 컨볼루션 블록은 $256 \times 256$ 입력 영상을 사전 학습된 인코더의 요구 사항에 맞게 다운샘플링합니다.
• 디코더(Decoder): 전치 컨볼루션(transposed convolutions)과 바이큐빅 보간법(bicubic interpolation)을 사용하는 11개의 컨볼루션 블록으로 구성되어 잠재 표현을 다시 $256 \times 256$으로 업샘플링합니다.
• 정규화(Normalization): 모델은 다양한 SAR 장면에서 발생하는 노이즈 수준과 해수면 외관의 높은 변동성을 처리하기 위해 표준 배치 정규화(Batch Normalization) 대신 **배치 재정규화(Batch Renormalization, BRN)**를 채택합니다.

다단계 특징 비교 (Multistage Feature Comparison, MFC)

핵심 혁신은 픽셀 불일치를 해결하고 국지화(localization)를 향상시키기 위해 손실 함수와 이상 맵 계산 모두에 다단계 특징 비교(MFC)를 사용하는 것입니다.

1. MFC 손실 함수: 학습 과정에서 손실은 입력과 재구성된 이미지 간의 픽셀 단위 차이뿐만 아니라, 세 가지 뚜렷한 단계(입력/재구성, 중간 인코더/디코더 계층)에서의 특징 차이에 대해서도 계산됩니다. 손실은 평균 제곱 오차(MSE)와 코사인 유사도를 결합합니다:
   $$L_n(i, j) = -\lambda \cos(F_E^n, F_D^n) + (1-\lambda) \text{MSE}(F_E^n, F_D^n)$$
   여기서 $F_E$와 $F_D$는 각각 인코더와 디코더로부터 추출된 특징 벡터입니다.
2. 이상 점수 맵(Anomaly Score Map): 추론 시, 이상 맵은 인코더와 디코더의 다단계 특징 맵 간의 MSE를 계산하여 생성됩니다. 이 맵들은 입력 해상도로 크기가 조정된 후 합산되어 최종 이상 점수 맵을 생성합니다. 높은 점수는 모델이 입력을 재구성하는 데 실패한 영역(즉, 유류 오염)을 나타냅니다.

전처리

파이프라인은 기본적인 전처리(정규화)와 CLAHE(Contrast Limited Adaptive Histogram Equalization) 및 NLM(Non-Local Means) 디노이징을 포함하는 선택적 고급 전처리 단계를 포함합니다. 연구 결과, MFC가 미세한 픽셀 수준의 왜곡을 본질적으로 처리하기 때문에 모델이 이러한 변동에 대해 견고하다는 것을 확인했습니다.

주요 기여

1. Res6-Deep11 모델: 학습 시 픽셀 단위의 정답 라벨 없이도 SAR 영상의 확산되고 대비가 낮은 질감 기반 이상치를 탐지하도록 특별히 설계된 최초의 비지도 딥러닝 모델입니다.
2. 다단계 특징 비교 전략: 특징 수준의 비교를 학습 손실과 이상 맵 생성 모두에 통합한 새로운 접근 방식입니다. 이는 픽셀 불일치에 대한 민감도를 줄이고, 표준 픽셀 단위 재구성 오차 방식에 비해 유류 오염 국지화의 정밀도를 높입니다.
3. 비지도 학습의 실행 가능성 입증: 본 연구는 비지도 학습 방법이 유류 오염 탐지에서 지도 학습 방식과 경쟁할 만한 성능을 달im 수 있음을 보여줌으로써, 데이터 어노테이션의 병목 현상을 해결합니다.

실험 결과

모델은 7,700개의 정상 해양 영상과 700개의 유류 오염 영상을 포함하는 CSIRO 데이터 액세스 포털 유래 데이터셋을 통해 평가되었습니다(유류 오염 영상은 수동으로 주석 처리된 정답을 사용하여 테스트에 사용됨).

• 성능 지표: Res6-Deep11은 F1-score 77.33%, IoU 63.04%, **정밀도(Precision) 87.32%**를 달성했습니다.
• 비교: 모델은 모든 지표에서 최첨단 비지도 이상 탐지 베이스라인(f-AnoGAN, SALAD, RD4AD)보다 우수한 성능을 보였습니다. 특히, f-AnoGAN의 10.15%와 비교하여 현저히 낮은 **1.04%의 거짓 양성률(False Positive Rate, FPR)**을 기록하여, 더 신중하고 신뢰할 수 있는 예측 동작을 보여주었습니다.
• 절제 연구(Ablation Studies): 실험을 통해 MFC를 손실 함수와 이상 맵 계산 모두에 사용하는 것이 표준 MSE 손로 또는 VAE 손실을 사용하는 것보다 우수한 결과를 낸다는 것을 확인했습니다. 이상 맵 계산에서 MFC를 제거하면 성능이 크게 저하되었으며, 이는 정밀한 국지화에 있어 MFC의 중요성을 강조합니다.
• 견고성: 모델은 전처리된(노이즈 제거/대비 강화) 데이터로 테스트했을 때 성능 저하가 미미했으며, 이는 입력 변동에 대한 모델의 회복력을 확인시켜 줍니다.

의의 및 한계점

논문은 Res6-Deep11이 주석이 달린 데이터가 부족한 시나리오에서 환경 모니터링을 위한 실행 가능한 솔루션을 제공한다고 주장합니다. 픽셀 단위 라벨링의 필요성을 제거함으로써, 이 방법은 값비싼 현장 전문 지식에 대한 의존도를 낮추고 대량의 라벨 없는 SAR 데이터를 사용할 수 있게 합니다. 높은 정밀도와 낮은 거짓 양성률은 유류 오염 탐지에서 오보(false alarm)가 비용이 많이 드는 불필요한 정화 작업으로 이어질 수 있다는 점에서 특히 가치가 있습니다.

그러나 저자들은 복잡한 시나리오에서의 일반화에 관한 한계를 겸허히 인정합니다. 현재의 학습 데이터에는 "룩얼라이크", 선박, 육지 등의 사례가 제한적으로 포함되어 있습니다. 선박과 같이 반사율이 높은 물체가 포함된 하위 집합의 영상으로 테스트했을 때, 모델의 성능은 저하되었습니다(F1-score 49.65%, IoU 33.03%로 하락). 저자들은 이 방법이 비교적 깨끗한 해양 장면에서의 유류 오염 탐지에는 효과적이지만, 실제와 같이 복잡한 환경에서도 견고성을 확보하기 위해서는 다양한 물체를 다루는 향후 연구가 필요하다고 결론지었습니다. 본 연구는 룩얼라이크 문제를 완전히 해결했다고 주장하는 것이 아니라, 더 다양한 데이터를 통해 더욱 정교해질 수 있는 강력한 비지도 탐지의 베이스라인을 구축했다는 점을 명시하고 있습니다.