이미지생성형AI를 활용한 전차 전투피해평가 객체탐지 성능 향상 연구 = A Study on Enhancing Object Detection for Tank Battle Damage Assessment using Image Generative AI

국문 초록 (Abstract)

본 연구는 전차 전투피해평가 객체탐지 모델의 성능을 저해하는 데이터 불 균형 문제를 해결하고자 생성형 이미지 증강의 효과를 정량적으로 평가한다. 이를 위해 전통적 기하 변환만 적용한 대조군(Geometric Only, 이하 GeoOnly)과, 총 증강량은 동일하게 유지하되 일부를 Stable Diffusion 인페인 팅 기반 생성 이미지로 대체한 실험군(Generated Image Mixed, 이하 GenMix)을 설계하였다. 성능 평가는 YOLOv8-nano 모델을 사용하였다. 실험 결과, GenMix는 모든 학습 조건에서 GeoOnly 대비 mAP@50:95가 3.18%에서 8.34%까지 향상되었다. 특히 희소 클래스인 '상부파괴'(Up)의 AP@50:95는 24.32% 큰 폭으로 상승했으나, 동일하게 희소 클래스인 '상하부파괴'(Both)는 재현율(Recall)이 15.05% 감소하며 개선이 제한적이었다. 이는 인페인팅 범위 차이로 인한 분포 불일치와 클래스 간 경계 모호성에 기인한다. 본 연구는 생 성형 증강의 순효과를 정량적으로 분리하여, 데이터 부족 환경에서 전투피해 평가 객체탐지 모델의 신뢰성을 높이는 실무 적용 가능성을 제시했다는 점에 서 의의가 있다.

다국어 초록 (Multilingual Abstract)

This study quantitatively evaluates the efficacy of generative data augmentation in addressing the critical issue of class imbalance that degrades the performance of object detection models for tank Battle Damage Assessment (BDA). We designed a control group (GeoOnly: Geometric Only) augmented solely with traditional geometric transforms and a treatment group (GenMix: Generated Image Mixed) where a portion of the augmentations was replaced with synthetic images generated via Stable Diffusion Inpainting, while keeping the total augmentation budget constant.The YOLOv8-nano model was employed for performance evaluation. Experimental results demonstrate that GenMix consistently outperformed GeoOnly across all training configurations, with $mAP@50:95$ improvements ranging from +3.18% to +8.34%. Notably, the minority class 'Up' (upper damage) showed a substantial +24.32% increase in $AP@50:95$. In contrast, the 'Both' (upper and lower damage) class, also a minority, exhibited limited improvement due to a significant -15.05% drop in Recall, despite an increase in Precision. This discrepancy is attributed to distributional shifts arising from different inpainting scopes and the inherent ambiguity between class boundaries.This research is significant for quantitatively isolating the net effect of generative augmentation, thereby proposing a practical methodology to enhance the reliability of BDA object detection systems in data-scarce military environments.

목차 (Table of Contents)

• 제1장 서 론 1
• 제1절 연구 목적 1
• 제2절 논문의 구성 2
• 제2장 관련 연구 3
• 제1절 Stable Diffusion 3
• 제2절 데이터 증강 6
• 제3절 객체탐지 8
• 제4절 전투피해평가 12
• 제3장 연구 방법 16
• 제1절 데이터셋 구성 16
• 제2절 실험 방법 25
• 제4장 연구 결과 30
• 제1절 종합성능 평가 30
• 제2절 클래스별 성능 평가 31
• 제3절 결과 분석 33
• 제5장 결 론 35
• 제1절 연구결과 요약 및 시사점 35
• 제2절 연구의 한계 및 향후 연구 방향 37
• 참고문헌 39
• 영문요약 41