SAR 준지도 학습을 위한 커리큘럼 기반 난이도 인식 데이터 증강 = Curriculum-Based Difficulty-Aware Augmentation for SAR Semi-Supervised Learning

국문 초록 (Abstract)

SAR(Synthetic Aperture Radar)는 전천후 감시 능력에도 불구하고, 스펙클 노이즈, 복잡한 배경 클러터, 그리고 높은 레이블링 비용과 같은 문제에 직면해 있다. 이러한 문제를 완화하기 위해 준지도 학습(Semi-Supervised Learning, SSL)이 효과적인 대안으로 연구되고 있지만, 기존의 방법들은 레이블이 없는 데이터의 내재적 난이도를 충분히 고려하지 않는 한계가 있다. 본 논문에서는 SAR 준지도 학습을 위한 새로운 프레임워크인 “커리큘럼 기반 난이도 인지 증강 (Curriculum-based Difficulty-aware Augmentation)”을 제안한다. 제안하는 모델의 핵심은 세 가지이다. 첫째, 모델 예측의 불확실도를 뜻하는 엔트로피(entropy)를 사용하여 데이터의 난이도를 평가하는 난이도 평가 모듈이다. 둘째, 평가된 난이도에 따라 차별화된 증강 전략을 적용하는 난이도 인지 증강 기법이다. 쉬운 샘플에는 강한 변환을, 어려운 샘플에는 원본 특성을 보존하는 약한 변환을 적용한다. 이러한 증강이 적용된 이미지와 약한 증강이 적용된 이미지에 일관성 손실을 적용하여, 학습한다. 셋째, 훈련 과정 전반에 걸쳐 데이터 증강 강도(α), 난이도 별 샘플링 비율, 의사 레이블 신뢰도 임계값(τ)을 동적으로 조절하는 통합 커리큘럼 스케줄러이다. 이 통합적인 접근 방식은 쉬운 데이터부터 학습을 시작하여 점진적으로 어려운 데이터로 확장해 나가는 효율적인 학습 커리큘럼을 생성한다. MSTAR와 같은 표준 SAR ATR 데이터 셋을 사용한 실험을 통해, 제안하는 방법이 기존의 SSL 및 커리큘럼 학습 기반 방법들보다 우수한 성능을 보임을 입증하였다.

다국어 초록 (Multilingual Abstract)

Synthetic Aperture Radar (SAR) faces several challenges despite its all-weather surveillance capability, including speckle noise, complex background clutter, and high labeling costs. To mitigate these issues, Semi-Supervised Learning (SSL) has been investigated as an effective alternative. However, existing methods have limitations in that they do not sufficiently consider the intrinsic difficulty of unlabeled data.
In this thesis, a novel framework for SAR semi-supervised learning, termed Curriculum-Based Difficulty-Aware Augmentation, is proposed. The proposed method consists of three core components. First, a difficulty evaluation module estimates sample difficulty using entropy, which represents the uncertainty of model predictions. Second, a difficulty-aware augmentation strategy applies differentiated augmentation policies according to the estimated difficulty: strong transformations are applied to easy samples, whereas weak, structure-preserving transformations are applied to difficult samples. During training, a consistency loss is applied between difficulty-aware augmented images and their corresponding weakly augmented counterparts. Third, an integrated curriculum scheduler dynamically adjusts the data augmentation strength (α), the sampling ratio by difficulty level, and the pseudo-label confidence threshold (τ) throughout the training process.
This integrated approach constructs an efficient learning curriculum that starts from easy data and gradually expands to more difficult data. Experimental results on a standard SAR Automatic Target Recognition (ATR) dataset, MSTAR, demonstrate that the proposed method outperforms existing SSL and curriculum-based learning approaches.

목차 (Table of Contents)

• 1. 서 론 1
• 2. 연구 배경 4
• 2.1. 이미지의 물리적 특성과 난이도 지표 4
• 2.1.1. 영상 품질 및 노이즈 관련 지표 5
• 2.1.2. 산란 구조 관련 지표 6
• 2.1.3. 정보 불확실성 및 텍스처 무질서 지표 7
• 2.1.4. 난이도 지표의 통합적 역할 7
• 2.2. 준지도 학습 (Semi-Supervised Learning) 8
• 2.3. 커리큘럼 기반 학습 (Curriculum-based Learning) 9
• 2.4. 적응형 증강 11
• 2.5. 결합 방법 적용 사례 12
• 2.6. 특화 난이도 및 증강 연구 12
• 3. 제안 방법 14
• 3.1. 문제 정의 15
• 3.2. 물리 지표 기반 커리큘럼 샘플링 16
• 3.3. 스케일링 엔트로피 기반 적응형 증강 18
• 3.3.1. 난이도 지수 함수 매핑 19
• 3.3.2. 무작위 증강 선택 21
• 3.4. 클래스 별 동적 임계값 21
• 4. 실험 결과 23
• 4.1. 실험 환경 23
• 4.1.1. 데이터 셋 및 전처리 23
• 4.1.2. 구현 세부사항 24
• 4.2. 비교 실험 24
• 4.3. 정성적 분석 및 시각화 25
• 4.3.1. 특징 공간 시각화 25
• 4.3.2. 오차 행렬 분석 (Confusion Matrix Analysis) 26
• 4.3.3. 적응형 증강 시각화 27
• 4.4. 소거 연구 29
• 5. 결 론 30
• 5.1. 연구 요약 30
• 5.2. 한계점 및 향후 연구 방향 31
• 참 고 문 헌 33
• ABSTRACT 38