해양 관측/감시를 위한 해양영역 인지(MDA)의 중요성이 증가함에 따라 위성영상 기반으로 선박을 탐지하는 기술은 유의미한 발전을 보였다. 특히 합성개구레이더(Synthetic Aperture Radar, SAR) 영상은 기상 조건이나 주간/야간 여부와 무관하게 선박 탐지에 활용될 수 있다. 그러나 소형 또는 비금속 선박은 낮은 레이더 단면적(radar cross-section)과 해상 클러터(sea clutter)의 존재로 인해 탐지가 어려울 수 있다. 이러한 한계를 극복하기 위해, 선박이 생성하는 광범위하고 지속적인 패턴을 활용하는 웨이크(wake) 탐지에 대한 관심이 크게 증가해 왔다. 최근 연구에서는 SAR 영상을 기반으로 한 웨이크 탐지에 AI 기법을 적용하여 탐지 성능을 향상시키고자 활발히 모색해 왔다. 그러나 AI 기반 모델의 효과는 학습 데이터의 품질에 크게 의존하며, 공개적으로 이용 가능한 데이터셋은 모든 웨이크를 단일 범주로 분류하여 웨이크의 다양한 특성을 충분히 반영하지 못한다. 이를 해결하기 위해 본 연구는 SAR 웨이크 탐지 성능을 개선하고자 켈빈 웨이크(Kelvin wake)와 난류 웨이크(turbulent wake)를 구분하는 세분화 라벨링(granular labeling) 접근법을 제안한다. 데이터셋 분석 결과 난류 웨이크가 우세하며 SAR 영상에서 더 쉽게 관측되는 반면, 켈빈 웨이크는 상대적으로 드물고 탐지가 어렵다는 사실이 확인되었다. 이에 따라 난류 웨이크를 위한 별도 클래스를 생성하였고, 그 결과 모델 성능이 향상되었다. 켈빈 웨이크와 관련된 클래스 불균형 문제를 해결하기 위해 시뮬레이션 데이터를 데이터셋에 통합하였다. 이를 통해 모델은 두 가지 웨이크 유형의 고유한 특성을 보다 효과적으로 학습할 수 있었다. 세분화된 분류와 시뮬레이션 데이터를 결합한 결과, 웨이크 탐지의 전체 정확도에서 소폭의 개선이 이루어졌다. 본 연구 결과는 세분화된 웨이크 분류와 데이터 증강이 SAR 기반 웨이크 탐지 성능 향상에 중요한 역할을 함을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.