전문 연구를 위한 SAR선박 탐지 데이터셋 개선방법 = Methodology for Improving SAR Ship Detection Dataset for Specialized Research|RISS 상세보기

국문 초록 (Abstract)

본 연구는 Sentinel-1 합성개구레이더(Synthetic Aperture Radar, SAR) 위성 영상을 이용한 회전 외곽 사각형(Orientation Bounding Box, OBB)형태의 선박 탐지에 적합한 데이터셋 구축 방법을 소개한다. 최근 인공지능 기반 SAR 위성 영상을 활용한 선박 탐지는 많은 연구 활동이 이루어지고 있지만, 국내에서는 SAR 기반 선박 탐지를 위한 공용 학습 데이터가 전무하여, 객관적 성능 비교 및 알고리즘 연구에 큰 제약이 있어 왔다. 본 연구에서 구축한 SAR Ship Detection Dataset–EXpansion(SSDD-EX)는 기존 연구에서 구축된 Large-Scale Sar Ship Detection Dataset(LS-SSDD)을 기반으로 구축한다. 기존 데이터셋은 8비트 정수형 JPEG 파일 형식의 영상 데이터와 XML 기반의 라벨로 구성되어 있으며, 24000 × 16000 해상도의 원본 영상, 800 × 800 크기의 분할 영상, 그리고 해당 분할에 맞춘 라벨 데이터(객체 이름, 회전 각도 미포함 외곽 사각형)로 구성되어 있다. 기존 공개 SAR 선박 데이터셋(OpenSarShip, SSDD, LS-SSDD 등)은 대부분 전문 연구보다는 일회성 실험에 초점을 맞춰 구축된 것으로 판단된다. SAR 영상은 일반 이미지 포맷(3채널 24비트 RGB or 1채널 8비트 Gray)과 달리 수신 전파의 미세 차이를 민감하게 포착하기 위해 보다 넓은 데이터 타입 범위를 필요로 한다. 그러나 기존 연구에서는 주요 영상 포맷으로 JPEG 손실 압축 파일을 사용하여 실제 SAR 특성 보전에 한계가 있었다. 또한, 위성 영상의 일반 이미지 변환 과정 중 영상 전처리에 대한 명확한 설명이 없다. 이러한 이유로 전문적 활용이 어렵다는 문제점을 안고 있었다.
SSDD-EX는 전문 연구 및 일반 연구에서 모두 활용 가능하도록 영상 타입을 GeoTIFF와 GeoJSON으로 제공하며, 추가적으로 무손실 압축 이미지 포맷 (PNG)으로도 변환하여 제공한다. LS-SSDD는 24000 × 16000 이상의 원본영상을 고정 크기(24000 × 16000)로 변환하면서 원본 영상의 종횡비(aspect-ratio)가 손실되었으며, 라벨 데이터에도 기하학적 변환이 적용되었다. 본 연구에서는 LS-SSDD의 기하학적 변환 스케일 값을 역추적하여 좌표를 복원하고, 위성 영상과 라벨을 1024 × 1024 크기 기준으로 재분할한다. 또한, 복원된 XML 라벨을 GeoJSON으로 변환하고, 모든 경계 상자(Bounding Box)정보를 OBB 형식으로 변환했다. 데이터셋 변환 및 검수 과정은 MOONSOFT의 AnnoWIZ 툴을 활용하여, 검수 기준을 수립·적용해 라벨 데이터의 품질을 향상시켰다. LS-SSDD 기반 데이터만으로는 선박 객체 수가 제한적이므로, 이를 보완하기 위해 다양한 관측 조건의 Sentinel-1 SAR 이미지를 포함하는 공개 데이터셋인 OpenSarShip을 추가로 활용하여 데이터의 다양성과 규모를 확대시켰다. 최종적으로 13,779장의 분할 영상과 35,105개의 선박 라벨로 구성된 대규모 OBB 기반 데이터셋(SSDD-EX)을 구축했고, 데이터 성능 평가는 YOLOv8 및 YOLOv11 모델을 활용해 실험했다. 본 연구를 통해 SAR 영상을 이용한 선박 탐지 알고리즘 정확성에 관한 연구가 국내에서도 활발하게 이루어지길 바란다.

번역하기

본 연구는 Sentinel-1 합성개구레이더(Synthetic Aperture Radar, SAR) 위성 영상을 이용한 회전 외곽 사각형(Orientation Bounding Box, OBB)형태의 선박 탐지에 적합한 데이터셋 구축 방법을 소개한다. 최근 인...

목차 (Table of Contents)