이상감지 기반 경량 YOLO로 적외선 소형 목표 고성능 탐지

초록

AA‑YOLO는 기존 YOLO 검출 헤드에 통계적 이상감지 검정을 삽입해 배경을 ‘정상’ 가설로 모델링하고, 작은 적외선 목표를 ‘이상’ 패턴으로 인식한다. 지수분포 기반 p‑값 테스트를 통해 객체성 점수를 재계산함으로써 허위 경보를 엄격히 제어한다. 검출 헤드만 수정하므로 경량 백본에서도 SO‑TA 수준의 정확도를 유지하며, 데이터·연산·구조적 프루갈리티 상황에서도 강인한 성능을 보인다.

상세 분석

AA‑YOLO의 핵심 아이디어는 “작은 적외선 목표는 배경에 비해 통계적으로 드문 패턴이다”라는 가정 하에, YOLO 검출 헤드에서 예측된 객체성(objectness) 점수를 통계적 가설 검정으로 대체하는 것이다. 논문은 먼저 최종 피처맵의 각 voxel을 C 차원 독립 확률 변수로 모델링하고, 배경을 지수분포(E)로 가정한다. 이는 비음수 특성과 평균값만을 제약으로 하는 최대 엔트로피 분포이므로, 복잡한 배경 텍스처를 단순히 “많이 발생하는 값”으로 압축한다는 장점이 있다. 두 가지 집계 함수 µ₁(최소값)와 µ₂(합계)를 제시했으며, 실험적 검증을 통해 µ₂가 더 민감하면서도 안정적인 p‑값을 제공함을 확인한다. p‑값을 −ln(F) 형태의 유의도 점수로 변환하고, 0‑1 구간으로 스케일링하기 위해 파라미터 α를 갖는 시그모이드를 적용한다. 이렇게 재계산된 객체성 점수는 배경에 대해 거의 0에 가깝게 수렴하므로, 실제 운영 환경에서 임계값 설정이 직관적이며, 허위 경보를 체계적으로 억제한다.

AA‑YOLO는 기존 YOLO의 박스 회귀와 클래스 예측은 그대로 유지하면서, 객체성 점수만을 별도 MSE 손실로 학습한다. 이는 기존의 복잡한 손실 설계(예: IoU‑가중 손실, Wasserstein 거리 등)를 단순화하면서도 작은 목표에 대한 클래스 불균형 문제를 자연스럽게 해결한다. 또한, 검출 헤드만 교체하므로 YOLOv7, YOLOv9 등 다양한 백본에 바로 적용 가능하고, 경량 모델(예: YOLOv7‑tiny)에서도 성능 격차를 크게 줄인다.

실험에서는 SIRST, NUAA 등 대표적인 IRSTD 벤치마크에서 기존 최첨단(예: EFLNet)과 동등하거나 약간 상회하는 AP·Recall을 기록한다. 특히 학습 데이터 10 %만 사용했을 때도 전체 성능의 90 % 이상을 유지하며, 가우시안 잡음·도메인 시프트 상황에서도 검출률 저하가 미미하다. 인스턴스 세그멘테이션 YOLO에 적용했을 때도 객체 경계가 명확히 구분되어, 작은 목표의 중복 검출이나 분할 오류를 크게 감소시킨다.

이러한 설계는 프루갈리티(데이터·연산·구조) 세 축에서 모두 강인함을 제공한다는 점에서 실전 배치에 적합하다. 특히, 배경에 대한 확률 모델을 명시적으로 정의함으로써 검출 임계값을 “모든 배경 값이 0”이라는 형태로 고정할 수 있어, 운영자가 복잡한 후처리 없이도 신뢰성 있는 경보 시스템을 구축할 수 있다.