위성영상 기반 객체 검출 성능 향상을 위한 합성 데이터 생성 방법 = A Method of Synthetic Data Generation for Improving Satellite Image-Based Object Detection Performance

국문 초록 (Abstract)

본 연구는 위성영상 기반 객체 탐지에서 발생하는 데이터 부족 문제를 해결 하기 위해, 생성형 인공지능을 활용한 합성 데이터 생성 방법을 제안한다. 특히, 확산 모델(Diffusion Model)의 ControlNet과 대규모 언어모델(LLM, Large Language Model)을 결합하여, 영상의 기하학적 다양성과 의미적 다양성을 동 시에 확보할 수 있는 합성 데이터 생성 절차를 설계한다. 연구 절차는 MiG 계열 전투기 위성영상의 수집 및 라벨링, ControlNet 기반 의 형태 제어 합성 이미지 생성, LLM을 이용한 작전 상황·배경·기상 등의 문 맥 프롬프트 확장을 통해 데이터셋을 다양화하는 단계로 구성된다. 이 과정을 통해 원본 위성영상의 한계인 환경의 단조로움, 촬영 시점 제약, 기상 조건 편향 등을 극복하고, 실제 정찰 환경에 근접한 합성 데이터셋을 구축한다. 실험은 YOLOv10과 RT-DETR을 대상으로 동일 조건에서 수행하였다. Test Set 실험 결과, ControlNet과 LLM을 결합한 데이터셋에서 가장 높은 성 능을 기록하였다. YOLOv10 모델은 원본 데이터셋 대비 mAP@0.5가 약 4.9%, Recall이 5.9% 향상되었고, RT-DETR 모델에서도 mAP@(0.5:0.95)가 7.2%, Precision이 2.0% 개선되었다. 이러한 결과는 합성 데이터가 모델의 일 반화 성능과 탐지 완전성을 동시에 개선함을 입증하였다. 본 연구의 의의는 다음과 같다. 첫째, ControlNet과 LLM을 결합한 합성 데 이터 생성 방법을 통해 위성영상 학습 데이터 부족 문제의 실질적 대안을 제 시하였다. 둘째, Diffusion 모델과 LLM을 활용하여 실제 환경에서의 다양한 기상·지형 조건을 반영한 데이터셋을 구현으로 모델의 강건성을 강화하였다. 주요어: 위성영상, 객체 탐지, 합성 데이터, ControlNet, 확산 모델, LLM

목차 (Table of Contents)

• 제1장 서 론 1
• 1. 1. 연구 배경 및 목적 1
• 1. 1. 연구 범위 및 내용 3
• 제2장 관련 연구 4
• 2. 1. 딥러닝 객체 탐지 모델 4
• 2. 2. 전통적 이미지 증강 기법 7
• 2. 3. 생성형 인공지능을 활용한 합성 데이터 생성 9
• 제3장 합성 데이터 생성 방법 12
• 3. 1. 원본 데이터 수집 및 라벨링 13
• 3. 2. 생성 모델 훈련 및 배경·문맥 프롬프트 생성 15
• 3. 3. 합성 데이터 생성 18
• 3. 4. 데이터셋 구성 19
• 제4장 실험 및 평가 20
• 4. 1. 평가 척도 20
• 4. 2. 분석 및 평가 25
• 제5장 결 론 34
• 참고문헌 36
• 영문요약 39