야생 환경에서의 서부파랑새 탐지 벤치마킹을 향하여
Towards benchmarking Western Bluebird detection in the wild
자연 환경에서의 조류 모니터링은 장면에 비해 일부 종의 조류 크기가 작고, 배경 혼잡, 조명 변화, 관찰자의 시점 문제 등으로 인해 어렵습니다. 또한 행동 패턴을 이해하는 데 필수적인 대규모의 현실적인 데이터셋이 부족하여 연구 진척이 더욱 제한되고 있습니다. 이러한 격차를 해소하기 위해, 본 연구는 41개 녹화 세션에서 수집된 6,000장 이상의 레이블링된 이미지로 구성된 서부파랑새(Sialia Mexicana) 탐지 및 분할을 위한 새로운 벤치마크 데이터셋을 소개합니다. 이 데이터셋은 조류가 이미지의 극히 일부만을 차지하는 고해상도(4K) 야생 이미지를 특징으로 합니다. 본 논문에서는 지도학습 기반 탐지기, 제로샷(zero-shot) 및 미세조정 설정 하에서의 개방형 어휘(open-vocabulary) 모델, 분할 접근 방식을 평가했습니다. 전반적으로 지도학습 탐지기가 여전히 가장 신뢰할 만한 성능을 보였으며, Faster R-CNN이 가장 높은 탐지 mAP를 기록했고 RT-DETR은 최적의 정밀도-재현율 상충관계(precision-recall trade-off)를 제공했습니다. 개방형 어휘 모델은 제로샷 설정에서는 성능이 저조했으나 미세조정을 통해 성능이 크게 향상되어, YOLO-World는 지도학습 방식과 경쟁할 만한 수준에 도달하며 가장 높은 정밀도, F1-점수, [email omitted] 달성했습니다. 분할의 경우 지도학습 방식이 Grounded-SAM 및 SAM 3을 크게 능가했습니다. Mask R-CNN이 가장 높은 마스크 mAP를 기록한 반면, YOLOv8-Seg는 가장 우수한 정밀도와 가장 빠른 추론 속도를 제공했습니다. 진단 분석 결과 실패 원인은 객체 크기만으로 설명되지 않으며 겉보기 스케일, 밝기, 대비, 혼잡도, 흐림(blur), 밀집도, 녹화 세션별 변동의 조합에 기인하는 것으로 나타났습니다. 종합적으로 본 연구 결과는 복잡한 생태적 장면에서 제로샷 조류 탐지의 어려움을 강조하며, 소형 객체 환경에서 도메인 적응(domain adaptation)의 중요성을 부각합니다.