대기 난류 및 지향 오차(Pointing Error)가 지구 관측에 미치는 영향
요약
대기 난류와 지향 지터가 지구 관측 영상 품질에 미치는 영향을 분석하고, 이를 시뮬레이션할 수 있는 물리적 모델을 제안합니다. YOLOv8과 RetinaNet을 통해 선박 탐지 성능을 평가한 결과, 물리적 왜곡이 모델의 재현율에 미치는 심각한 영향을 확인했습니다.
핵심 포인트
- 대기 난류 및 지향 오차를 통합한 물리적 이미지 시뮬레이터 제안
- 난류 발생 시 YOLOv8의 재현율이 91%에서 40% 미만으로 급감
- RetinaNet이 저하된 환경에서 YOLOv8보다 높은 강건성 입증
- AI 모델 신뢰성 확보를 위해 현실적인 물리적 왜곡 데이터셋 필요
지구 관측 (Earth Observation, EO) 영상은 대기 난류 (Atmospheric Turbulence) 및 지향 지터 (Pointing Jitter)에 의해 품질이 저하되는 경우가 많지만, AI 기반 탐지 모델을 학습시키는 데 사용되는 데이터셋에서는 이러한 효과가 거의 고려되지 않습니다. 이전 연구를 바탕으로, 본 논문은 플랫폼 및 센서 진동으로 인해 발생하는 수직 경로 대기 난류와 위성 지향 지터를 통합하여 물리적으로 현실적인 왜곡 영상을 생성할 수 있는 향상된 이미지 시뮬레이터를 제시합니다. 사례 연구로서, 제안된 시뮬레이터로 생성된 다양한 수준의 난류 및 지향 오차 조건의 영상에서 YOLOv8 및 RetinaNet을 사용하여 선박 탐지 성능을 평가하였습니다. 결과에 따르면, YOLOv8의 재현율 (Recall)은 이상적인 조건에서의 91%에서 약한 난류가 존재할 때 60%로 감소하며, 강한 난류 또는 지터가 발생할 경우 40% 미만으로 떨어집니다. 반면, RetinaNet은 더 높은 강건성 (Robustness)을 보여주며 저하된 조건에서도 약 75%의 재현율을 유지합니다. 이러한 결과는 해양 감시 응용 분야에서 입증된 바와 같이, 운영 환경에서 AI 기반 모델의 신뢰할 수 있는 성능을 보장하기 위해 EO 학습 데이터셋에 현실적인 물리적 저하 요인을 포함하는 것이 중요하다는 점을 강조합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기