생성적 적대 신경망을 활용한 지하 영상 자동 생성 및 객체 식별 향상

초록

본 논문은 지반 탐지 레이더(GPR) B‑스캔 데이터를 실사와 유사하게 생성하기 위해 새로운 GAN 구조와 시간·주파수 도메인 특성을 결합한 손실 함수를 제안한다. 생성된 데이터로 학습을 보강한 객체 분류기는 정확도가 82 %에서 98 %로 크게 향상되었으며, 이는 GPR 분야에서 GAN 적용이 실질적인 성능 개선을 가져올 수 있음을 입증한다.

상세 분석

이 연구는 GPR B‑스캔 이미지의 데이터 부족 문제를 해결하고자, 기존 이미지‑기반 GAN 설계와는 달리 전파 신호의 물리적 특성을 반영한 하이브리드 손실 함수를 도입하였다. 시간 영역에서는 픽셀‑단위 L1 손실을 사용해 전반적인 형태를 유지하고, 주파수 영역에서는 푸리에 변환 후 스펙트럼 차이를 최소화하는 스펙트럼 손실을 추가함으로써 반사 강도와 위상 정보를 보존한다. 이러한 복합 손실은 생성기와 판별기가 동시에 시공간적 일관성을 학습하도록 유도한다.
아키텍처 측면에서는, 생성기는 다중 스케일 업샘플링 블록과 Residual‑In‑Residual Dense Block(RRDB)을 결합해 고해상도 B‑스캔을 출력하도록 설계되었으며, 판별기는 PatchGAN 형태로 지역적 진위 여부를 판단한다. 또한, 조건부 입력으로 레이더 파라미터(주파수, 전송 파워)와 탐지 대상(파이프, 금속 조각 등)를 제공해 다양한 시나리오를 학습한다.
실험에서는 실제 현장에서 수집한 1,200개의 B‑스캔을 8:2 비율로 학습·검증 데이터로 분리하고, 남은 300개를 테스트 셋으로 사용하였다. 생성된 가상 데이터 2,400장을 추가한 후, 기존 CNN 기반 객체 분류기에 재학습을 시켰을 때 정확도가 82 %에서 98 %로 상승했으며, 정밀도·재현율 모두 5 % 이상 개선되었다. Ablation study를 통해 주파수 손실이 없을 경우 정확도가 90 % 수준에 머물렀음을 확인, 제안 손실 함수의 기여도가 명확히 드러난다.
한계점으로는 생성된 데이터가 극단적인 잡음 환경이나 복합 매질(예: 습윤 토양 + 금속 파편)에서는 현실감이 떨어지는 경향이 있으며, 판별기의 과적합 위험이 존재한다. 향후 연구에서는 물리 기반 시뮬레이션과 GAN을 결합한 하이브리드 프레임워크와, 도메인 적응 기술을 적용해 다양한 현장 조건에 대한 일반화를 목표로 할 수 있다.