스파스 부분 약지도 기반 회전 객체 검출

초록

SPWOOD는 소량의 스파스·약지도와 대량의 비라벨 데이터를 활용해 회전 객체 검출 성능을 크게 향상시키는 프레임워크이다. 핵심은 방향·스케일 정보를 학습하는 SOS‑Student, 다중 레이어 예측을 이용한 MPF 의사라벨 필터링, 그리고 카테고리 균형을 보장하는 전체 스파스 파티셔닝이다. DOTA·DIOR 실험에서 기존 완전·반·약지도 방식보다 비용 대비 높은 정확도를 달성한다.

상세 분석

본 논문은 원격탐사 영상에서 회전 객체(RBox) 라벨링 비용이 천문학적으로 높아지는 문제를 해결하고자, “Sparse Partial Weakly‑Supervised Oriented Object Detection”(SPWOOD)이라는 새로운 학습 패러다임을 제시한다. 기존 연구를 ‘완전‑지도’, ‘반‑지도’, ‘약‑지도’ 등으로 구분했지만, 저자는 스파스(일부 객체만 라벨)와 약지도(수평 박스·포인트) 를 동시에 활용하는 “Sparse Partial Weakly‑Supervised”(SPW‑OOD) 영역을 정의한다.

1. SOS‑Student 설계

   • Sparse‑Annotation Learning: 스파스 라벨에서는 라벨이 없는 객체와 배경이 동일하게 ‘배경’으로 처리돼 오버피팅 위험이 있다. 이를 해결하기 위해 Focal‑Loss 기반의 가중 손실 함수를 도입, 높은 confidence 를 가진 미라벨 객체를 ‘hard negative’ 로 구분하고, α와 γ 파라미터로 양·음성 샘플 균형을 조절한다.
   • Orientation & Scale 학습: 약지도(HBox·Point)에서는 회전 각도와 스케일 정보가 누락된다. SOS‑Student는 두 단계 학습을 통해 (i) 포인트 라벨에서 객체 중심을 추정하고, (ii) HBox 로부터 가로·세로 비율을 추정한다. 이후 회전 각도는 대칭성 기반 자기지도학습(예: H2RBox‑v2)과 유사한 회전 일관성 손실을 적용해 보강한다.

2. Multi‑level Pseudo‑label Filtering (MPF)

   • 전통적인 반‑지도 방식은 고정 confidence 임계값을 사용해 pseudo‑label을 선택하지만, 학습 진행에 따라 최적 임계값이 변한다. MPF는 Teacher 모델의 다중 레이어(예: FPN 각 단계) 예측 분포를 Gaussian Mixture Model 로 클러스터링하고, 각 레이어별 동적 임계값을 계산한다. 이렇게 하면 낮은 레이어에서는 보수적으로, 높은 레이어에서는 적극적으로 라벨을 채택해 전체적인 라벨 품질을 균형 있게 유지한다.

3. Overall Sparse Partitioning

   • 기존 스파스 라벨 생성 방식은 이미지 단위로 무작위 샘플링해 희귀 클래스가 과소대표되는 편향을 만든다. 저자는 전체 데이터셋을 하나의 라벨 풀(pool)로 보고, 클래스별 동일 비율(예: 20 %)로 샘플링하는 “Overall Sparse Method”를 제안한다. 이 방법은 원본 데이터셋의 클래스 분포를 보존하면서도 라벨링 비용을 크게 절감한다.

4. 학습 흐름

   • Burn‑in 단계: SOS‑Student 를 소량의 스파스·약지도 데이터(원본·증강 뷰)로 사전 학습하고, 동일 가중치를 Teacher 에 복제한다.
   • Self‑training 단계: 대량의 비라벨 이미지에 대해 Teacher 가 MPF 로 정제된 pseudo‑label 을 생성하고, Student 가 이를 이용해 지속적으로 업데이트한다. EMA(Exponential Moving Average) 로 Teacher 파라미터를 최신화해 라벨 품질을 안정화한다.

5. 실험 결과

   • DOTA‑v1.0/v1.5와 DIOR 데이터셋에서 “Sparse 20 % + Weak 20 %” 설정(실제 라벨 비용 0)으로 기존 Fully‑Supervised (100 % RBox) 대비 mAP 차이가 2~3 % 수준으로 감소했으며, 비용 대비 효율성은 5배 이상 향상되었다. 또한, 동일 비용 조건의 Semi‑Supervised, Weakly‑Supervised, Sparse‑Supervised 방법들보다 일관적으로 높은 성능을 보였다.

6. 한계 및 향후 과제

   • 현재는 포인트와 HBox 두 종류의 약지도만 지원한다. 곡선 라벨이나 텍스트 라벨 등 다중 형태가 추가될 경우 SOS‑Student 의 모듈화가 필요하다. 또한, MPF 의 GMM 파라미터 초기화가 데이터셋에 민감해 자동 튜닝 메커니즘이 요구된다.

전반적으로 SPWOOD는 라벨링 비용을 최소화하면서도 회전 객체 검출 정확도를 유지·향상시키는 실용적인 솔루션이며, 특히 대규모 원격탐사 프로젝트에서 즉시 적용 가능할 것으로 기대된다.