합성 데이터 활용 해양 동물 위성 탐지 개선

위성 이미지는 고래 개체군을 대규모로 비침습적으로 모니터링할 수 있는 강력한 도구이나, 주석이 달린 훈련 데이터 부족, 고해상도 이미지의 높은 비용, 상업적 소스에 따른 데이터 공유 제한으로 활용에 제약이 있었습니다. 본 연구는 이러한 문제를 해결하고자 점수 기반 확산 모델(score-based diffusion model)을 활용하여 사실적인 고해상도 합성 위성 이미지를 생성하고, 이를 오픈소스 데이터셋으로 구축했습니다. 이 데이터셋은 남아프리카 해안의 남방참고래(어미-새끼 포함)와 캐나다 북극의 흰돌고래 두 종을 대상으로 합니다. 우리는 합성 데이터로만 훈련된 객체 탐지 모델이 실제 미확인 위성 이미지에 대해 일반화될 수 있는지 평가했습니다. 남방참고래의 경우, 합성 이미지로만 훈련된 모델은 실제 위성 데이터에서 0.86의 평균 정밀도(mAP@50)를 달성했습니다. 합성 및 실제 이미지를 함께 훈련했을 때는 성능이 0.95 mAP@50 이상으로 더욱 향상되었습니다. 흰돌고래의 경우에도 합성 이미지로만 훈련된 모델은 0.90 mAP@50을 달성했으며, 혼합 데이터셋으로 훈련 시 0.93으로 증가했습니다. 남방참고래와 흰돌고래는 체구, 색상, 서식 환경(맑은 해안의 대형 흑색 고래 vs. 탁한 북극의 소형 백색 돌고래)에서 현저한 차이를 보임에도 불구하고, 본 접근 방식은 두 종 모두에서 일관된 성능을 보였습니다. 이러한 결과는 종 간 일반화 가능성을 입증하며, 합성 이미지가 고래 탐지 딥러닝 모델 훈련에 필요한 대규모 데이터 요구사항을 충족시키는 확장 가능한 해결책임을 시사합니다. 이는 해당 분야의 발전을 가로막았던 데이터 제약을 극복하는 데 기여할 것입니다.