극지 해빙 유형 분할을 위한 파운데이션 모델 벤치마크 IceFMBench

초록

본 논문은 Sentinel‑1 SAR 영상을 이용해 해빙 유형을 분할하는 작업에 특화된 파운데이션 모델(FM) 벤치마크인 IceFMBench를 제안한다. 표준화된 데이터셋·다양한 평가 지표·대표 FM 11종을 포함하며, 이들을 종합적으로 비교한다. 또한 최고 성능 모델의 시공간 전이 능력을 사례 연구로 검증하고, 다중 교사 지식 증류 방식을 도입해 전이 성능을 향상시키는 방법을 제시한다.

상세 분석

IceFMBench는 극지 SAR 데이터의 특수성을 고려한 최초의 파운데이션 모델 벤치마크로, 기존의 광학·다중모달 중심 벤치마크와 차별화된다. 데이터는 AI4Arctic Sea Ice Challenge의 Ready‑to‑Train 버전을 사용해 2018‑2021년 16개 지역의 Sentinel‑1 EW 모드 영상을 512개 학습·20개 테스트 샘플로 구성하였다. 이는 계절·지역 변동성을 포괄해 모델의 일반화 능력을 엄격히 평가한다. 선택된 11개 FM은 SAR 적합성, 최신 SSL(Contrastive Learning, Masked Image Modeling) 프리트레인 방식, 그리고 ViT·Swin 등 트랜스포머 기반 구조를 기준으로 선정되었다. RVSA·CMID와 같은 optical‑dominant 모델부터 Prithvi·CROMA·DINO‑MM·DOFA 등 멀티모달·SAR 전용 모델까지 다양하게 포함돼, SAR 특유의 speckle·밴딩·스칼라 변동에 대한 내성을 비교한다. 실험에서는 미세조정(fine‑tuning) 단계에서 파라미터 수, 학습 데이터 비율, 그리고 시공간 전이(다른 연도·지역) 성능을 체계적으로 측정했다. 결과는 대부분의 FM이 기존 U‑Net 기반 베이스라인을 능가했으나, SAR 전용 프리트레인 모델이 시공간 전이에서 특히 우수함을 보여준다. 마지막으로 다중 교사 지식 증류(Multi‑Teacher KD) 프레임워크를 도입해, 시공간·지역별 전문가 모델(RVSA, CMID, Prithvi 등)의 출력을 하나의 경량 학생 모델에 통합하였다. 증류 후 학생 모델은 원본 전문가 모델 대비 30 % 이하의 파라미터로 비슷한 IoU와 전체 정확도를 유지하면서, 새로운 지역·시즌에 대한 적응력이 크게 향상되었다. 이와 같이 IceFMBench는 파운데이션 모델의 극지 SAR 적용 가능성을 정량화하고, 전이 학습·지식 증류를 통한 실용적 모델 경량화를 제시함으로써, 해빙 모니터링 시스템의 효율성과 신뢰성을 크게 높일 수 있다.