항공 영상 기반 회전 추정 정합과 합성 데이터 생성파이프라인을 통한 객체 탐지 및 변화 탐지 = Rotation Estimation-Based Registration and Synthetic Data Pipeline for Object and Change Detection in Aerial Imagery

국문 초록 (Abstract)

항공 영상 분석은 드론(UAV)의 다양한 시점 변화와 높은 데이터 수집ㆍ라벨링 비용으로 인해 성능 향상에 한계가 있다. 본 연구에서는 회전 차이를 보정하여 정합을 수행하고, 제안한 합성 데이터 생성ㆍ학습 방식을 통해 탐지 모델을 학습한 뒤, 이를 기반으로객체의 이동ㆍ출현ㆍ소실 등 변화를 판별하는 통합 프레임워크를 제시한다. 회전 추정은 VBS(Virtual Battle Space) 시뮬레이션 기반 360° 데이터로 학습된 ResNet-18 샴(Siamese) 네트워크를 사용하여 큰 각도 차이에서도 정합을 안정화하였고, 합성 데이터로학습된 탐지기는 실제 시나리오를 모사한 시뮬레이션 이미지 파이프라인에서도 일관된 성능을 보였다. 특히 변화 탐지에서 회전 보정을 적용하면 mIoU가 0.2946에서 0.7013로 크게 향상되었다. 또한 합성 데이터로 학습한 YOLOX-s는 별도의 테스트 시나리오에서 mAP@0.5:0.95 = 0.563을 기록하였다. 본 결과는 시뮬레이션 데이터에 근거하지만, 동일 절차를 실제 드론 영상과 IR 융합환경으로 확장할 경우 실제 운용에서의 활용을 기대할 수 있다.

다국어 초록 (Multilingual Abstract)

Aerial image analysis faces limitations in performance improvement due to the diverse viewpoint variations ofunmanned aerial vehicles (UAVs) and the high costs associated with data collection and labeling. In this study, wepropose an integrated framework that first performs registration by compensating for rotational differences, thentrains a detection model through a synthetic data generation and training method, and finally determines object-levelchanges such as movement, appearance, and disappearance. Rotation estimation is stabilized even under large angulardifferences by using a ResNet-18 Siamese network trained on 360° Virtual Battle Space (VBS) simulation data. Thedetector trained on synthetic data also demonstrated consistent performance in simulated image pipelines that mimicreal-world scenarios. Notably, applying rotation correction in change detection improved the mIoU significantly from0.2946 to 0.7013. In addition, the YOLOX-s model trained on synthetic data achieved mAP@0.5:0.95 = 0.563 in aseparate test scenario. Although these results are based on simulation data, the same procedure can be extended toreal UAV imagery and IR-fusion environments, suggesting its potential applicability in real-world operations.