노이즈 인지 임계값 조정과 2in1 : 의사 라벨 정제를 결합한 망각 방지 소스 프리 도메인 적응 기반 = 2in1: Anti-Forgetting Source-Free Domain Adaptation with Noise-Aware Thresholding and Pseudo-Label Refinement for EO-SAR Ship Detection

국문 초록 (Abstract)

합성개구레이더 영상에서의 선박 탐(Synthetic Aperture Radar, SAR) 지는 감시 및 해양 관리에 필수적이지만 높은 비용의 전문가 의존적 , 라벨링과 제한적인 데이터 접근성으로 인해 많은 제약을 받고있다 소. 스 프리 도메인 적응 은 사전 - (Source-Free Domain Adaptation, SFDA) 학습된 모델을 라벨이 없는 타겟 도메인에 적응시킴으로써 이러한 문 제에 대한 유망한 해결책을 제공한다 그러나 기존 방법들은 . SFDA 주로 동질적인 영상 간 전이를 가정하여 설계되었기 때(homogeneous) 문에 과 영상과 같은 이질적인, SAR Electro-Optical(EO) (heterogeneous) 데이터에 대해서는 효과가 제한적이며 소스 지식 망각, (source 문제를 초래한다 이를 해결하기 위해 우리는 knowledge forgetting) . , 소스 데이터에서 사(EO) 전 학습된 모델을 초기값으로 사용하여 라벨 없는 선박 탐지를 위한 새로운 의사 라벨 기반 방법을 제SAR SFDA 안한다 제안하는 하이브리드 의사 라벨 정제. (Hybrid Pseudo Label 는 코사인 유사도에 기반한 상호 보완적 학습을 수Refinement, HPLR) 행하면서 조금 더 견고한 의사 라벨을 만들고자 한다 그러나 의사 , . 라벨 생성 시 임계값이 고정되어 있는 문제가 있다 이를 해결하기 . 위해 영상의 특성 중 하나인 잡음을 활용한다 영SAR Speckle . SAR 상의 엔트로피를 측정하여 노이즈 수준을 측정하고 이를 정규화하여 동적 임계값으로 설정한다 또한 특징 분포 거리 측정을 활용한 망각 . 방지 메커니즘을 도입하여 소스 도메인 지식을 보존한(anti-forgetting) 다 실험 결과 제안 기법은 기존 방법들보다 우수한 성능을 보. , SFDA 이는 동시에 소스 도메인에서의 성능 저하를 줄이는 것을 확인하였다.

목차 (Table of Contents)

• 제 1장 서 론1 1
• 제 2장 이론적 배경 2 8
• 2.1 비지도 도메인 적응 9
• 2.2 소스 프리 도메인 적응 10
• 제 3장 방법론3 13
• 3.1 하이브리드 의사 라벨 정제 13
• 3.2 거리 기반 소스 지식 망각 방지 14
• 3.3 엔트로피 기반 적응형 임계값 조절 17
• 3.31 이미지 별 전역 복잡도와 지역 복잡도 18
• 3.32 복잡도 정보를 이용한 적응형 임계값의 계산 20
• 제 4장 실험 결과4 22
• 4.1 데이터셋 및 실험 설정 22
• 4.2 실험 결과 분석 24
• 4.3 Ablation Study 28
• 제 5장 결 론5 30
• 참 고 문 헌 32
• ABSTRACT 42