On-Orbit Real-Time Wildfire Detection Under On-Board Constraints

요약

본 논문은 9개 위성을 이용한 실시간 산불 감지 시스템을 제시하며, 특히 모델 크기, 추론 지연 시간, 전체 알림 파이프라인 등 까다로운 제약 조건 하에서 작동하는 데 초점을 맞추고 있습니다. 연구진은 독점적인 MWIR 데이터셋과 DenseMAE 및 그 변형(hybrid DenseMAE+EMA)을 활용하여 경량화된 밀집 표현 학습(dense representation learning) 방법을 개발했습니다. 이 방법론은 극심한 클래스 불균형 환경에서 높은 정확도와 낮은 지연 시간을 동시에 달성하며, 기존의 산불 감지 방식이 해결하지 못했던 문제를 개선하는 것을 목표로 합니다.

핵심 포인트

• 9개 위성을 활용하여 우주 기반 실시간 산불 감지 시스템을 구축하고, 엄격한 온보드 제약 조건(sub-MB 모델 크기, 150ms 미만 지연 시간)을 충족시킵니다.
• MWIR 단일 대역 이미지에서 발생하는 극심한 클래스 불균형 및 서브/싱글 픽셀 열적 이상 현상 문제를 해결하는 데 중점을 두었습니다.
• DenseMAE와 하이브리드 변형(hybrid DenseMAE+EMA)을 사용하여 경량화된 밀집 표현 학습 방법을 제안하고, 이를 통해 낮은 지연 시간과 높은 정확도의 균형점(Pareto frontier)을 달성했습니다.
• 최적의 모델 구성은 1MB 미만의 크기로 AP 0.699 및 Fire-F1 0.744를 달성하여 기존 지도 학습 기반 방식보다 우수한 성능을 보였습니다.