논문Hugging Face
SULAND v2: A Refined RGB Dataset and Deep Learning Object Detection Benchmark for UAV/UGV-Based SUrface LANDmine Detection Under Domain Shift
논문 ID: 2607.289962 추천
#Object Detection#Domain Shift#Dataset Refinement#UAV/UGV#Vision#Benchmark#Evaluation#Safety
핵심 요약
지뢰 탐지용 RGB 데이터셋의 오류를 정제하여 도메인 변화(Domain Shift) 환경에서의 객체 탐지 성능을 검증하는 벤치마크 연구
상세 내용
UAV/UGV를 활용한 지뢰 탐지에서 RGB 이미지는 저비용 솔루션이지만, 데이터 부족과 도메인 변화에 따른 일반화 성능 검증이 부족한 실정입니다. 기존 SULAND 데이터셋은 주석 오류, 위치 불일치, OOD(Out-of-Distribution) 클래스 ID 역전 등의 심각한 결함을 포함하고 있었습니다. 본 연구는 기존 이미지와 분할 방식을 유지하면서 주석을 수동으로 정제한 SULAND_v2를 제안합니다. 35개 탐지기 구성을 벤치마킹한 결과, 정제된 데이터는 YOLOv8의 IID 성능을 크게 향상시켰으며 클래스 ID 수정은 OOD 성능을 대폭 개선했습니다. 최종적으로 높은 IID 성능이 반드시 실전 운영 준비도를 보장하지 않음을 입증하며 신뢰할 수 있는 벤치마크를 제공합니다.
주요 내용
- 기존 SULAND 데이터셋의 주석 오류 및 OOD 클래스 ID 문제를 해결한 SULAND_v2 구축
- 33,771장의 이미지와 12,433개의 바운딩 박스를 포함한 정제된 벤치마크 제공
- IID(In-distribution) 성능과 OOD(Out-of-distribution) 성능 간의 상관관계 분석 및 검증
실무에서 볼 만한 점
실제 현장(Domain Shift)에 배포될 모델이 학습 데이터의 오류로 인해 성능이 왜곡되는 것을 방지하는 데이터 정제 및 벤치마크 방법론을 제시합니다.
참고할 행동
- SULAND_v2 데이터셋을 활용하여 최신 YOLO 및 DETR 계열 모델의 성능 비교 실험
- 학습 데이터의 주석 품질이 OOD 환경에서의 Recall/mAP에 미치는 영향 분석
- IID 성능이 높음에도 OOD 성능이 낮은 모델의 강건성(Robustness) 테스트