PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2410.16089v3cs.AI

영상 및 레이더 데이터의 특징 맵 기반 무인기 분류를 위한 다중 센서 융합

Multi-Sensor Fusion for UAV Classification Based on Feature Maps of Image and Radar Data

현대 무인기(UAV)는 비용, 유연성 및 효율성 덕분에 많은 응용 분야에서 매력적이지만, 그 확산으로 인해 악의적이거나 우발적인 사고가 증가하면서 UAV 탐지 및 분류(classification) 메커니즘이 필수적이 되었습니다. 개별 감지 양식(modality)은 각각 상호보완적인 한계를 지니며, 기존 탐지 시스템은 일반적으로 단일 센서에 의존하거나 결정 수준(decision level)에서만 양식을 융합하여, 이종의 영상 및 레이더 탐지기 간 특징(feature) 수준 융합은 대부분 탐색되지 않은 채로 남아 있습니다. 본 논문에서는 열화상, 광전(optronic), 레이더 센서의 개별 객체 탐지 및 분류 모델에서 추출한 고수준 특징을 융합하는 심층 신경망(deep neural network)을 제안합니다. CNN 기반 아키텍처는 레이더 특징과 융합하기 전에 채널 축을 따라 열화상 및 광전 영상 특징을 쌓는 방식으로 세 가지 양식을 결합합니다. 실제 다중 센서 데이터셋(dataset)에서 평가한 결과, 제안된 3가지 양식 융합 모델(model)은 0.95의 F1-점수를 달성하여, 2가지 양식(열화상-광전) 구성의 0.93 및 가장 성능이 뛰어난 단일 센서(열화상) 기준선(baseline)의 0.91과 비교되었으며, 이를 통해 상호보완적인 센서 특징 융합이 UAV 분류 성능에서 측정 가능한 이득을 가져옴을 확인했습니다.

arXiv:2610.00141v1cs.CV

통제된 안개 열화 환경에서 안티-UAV 탐지의 강건성 평가: 안개 인지 학습 및 맑은 날씨 트레이드오프

Evaluating the Robustness of Anti-UAV Detection under Controlled Fog Degradation: Fog-Aware Training and Clear-Sky Tradeoff

비전 기반 안티-UAV 시스템은 저시정 환경에서도 작동해야 하지만, 대부분의 벤치마크는 맑은 날씨 영상만을 사용하며 기존 강건성 연구는 악천후를 단순 유무 조건으로만 다룹니다. 그 결과, 안개 심각도가 지상-대-공중 UAV 탐지에 미치는 영향은 여전히 잘 알려져 있지 않습니다. 본 연구는 이 작업을 위해 안개 심각도가 제어된 최초의 벤치마크를 제시합니다. Anti-UAV300 데이터셋의 RGB 모달리티에 10단계 심각도의 합성 안개를 적용하고, 맑은 날씨로 학습된 YOLOv5m 기준선(baseline) 모델을 맑은 날씨와 안개 낀 이미지를 모두 학습한 안개 인지(fog-aware) 모델과 비교합니다. 탐지 성능은 급격하고 비선형적으로 하락하며, 약한 안개에서 중간 정도의 안개(beta 약 0.05-0.10) 구간에서 초기에 집중적인 성능 저하가 발생하고, 맑은 날씨 대비 가장 짙은 안개에서 [email omitted]:0.95가 96% 감소하는데, 이는 주로 재현율과 신뢰도 저하에 기인합니다. 비교 가능한 지표([email omitted])에서 이러한 급격한 하락은 가장 가까운 선행 벤치마크에서 보고된 가장 극심한 강우 시의 성능 저하를 초과합니다. 안개 인지 학습은 맑은 날씨 정확도가 단 9.1%만 감소하면서도 모든 심각도 구간에서 탐지 성능을 향상시키며(최대 +0.320 [email omitted]:0.95), 극심한 안개 속에서의 붕괴를 완전히 막지는 못하지만 신뢰할 수 있는 탐지의 임계값을 높여줍니다. 신뢰성이 좁은 가시거리 범위 내에서 상실되므로, 단순한 맑은 날씨 대 악천후 비교 테스트는 실제 운용 위험을 과소평가하게 됩니다.

arXiv:2512.18046v3cs.CV

YolovN-CBi: 소형 무인 항공기(UAV)의 실시간 검출을 위한 경량화되고 효율적인 아키텍처

YolovN-CBi: A Lightweight and Efficient Architecture for Real-Time Detection of Small UAVs

흔히 드론으로 알려진 무인 항공기(UAV)는 민간 및 국방 환경에서 증가하는 위험을 초래하고 있어, 정확하고 실시간으로 작동하는 드론 검출 시스템이 요구됩니다. 그러나 드론은 크기가 작고 움직임이 빠르며 시각적 대비가 낮아 검출하기 어렵습니다. 본 논문에서는 소형 객체 검출에 대한 민감도를 향상시키기 위해 Convolutional Block Attention Module(CBAM)과 Bidirectional Feature Pyramid Network(BiFPN)을 통합한 YolovN의 수정된 아키텍처인 YolovN-CBi를 제안합니다. 다양한 비행 물체로 구성된 28,000장의 엄선된 학습(training) 데이터셋(dataset)을 구축하였으며, 매우 작은 드론 객체로 구성된 2,500장의 자체 테스트 데이터셋을 수집했습니다. 제안된 아키텍처는 자체 테스트 데이터셋을 포함한 4개의 벤치마크 데이터셋에서 평가(evaluation)되었습니다. 기준선(baseline)인 Yolov5와 제안된 Yolov5-CBi 아키텍처는 소형 객체 검출을 위한 속도-정확도 트레이드오프에서 Yolov8 및 Yolov12를 포함한 최신 YOLO 버전들보다 우수한 성능을 보였습니다. 또한 CBAM과 BiFPN의 배치 및 활용 방식을 달리한 제안된 CBi 아키텍처의 다른 네 가지 변형도 제안 및 평가되었습니다. 이러한 변형들은 Yolov5m-CBi 교사 모델(teacher)과 Yolov5n-CBi 학생 모델(student)을 활용하는 지식 증류(knowledge distillation) 기법을 통해 엣지 배포(edge deployment)에 적합하도록 추가로 증류되었습니다. 지식 증류된 모델은 0.6573의 [email omitted]:0.9를 달성하여 교사 모델의 점수 0.6171 대비 6.51% 향상을 보여주었으며, 증류 과정의 효과성을 입증했습니다. 증류된 모델은 기준선 모델보다 82.9% 더 빨라 실시간 드론 검출에 더욱 적합합니다. 이러한 연구 결과는 제안된 CBi 아키텍처와 증류된 경량 모델이 소형 UAV의 효율적이고 정확한 실시간 검출을 발전시키는 데 효과적임을 강조합니다.

arXiv:2607.11303v1cs.CV

ASUMOT: 이벤트 카메라를 활용한 모션 일관성 기반 비동기 UAV 탐지 및 추적

ASUMOT: Motion-Consistency-Based Asynchronous UAV Detection and Tracking with Event Cameras

이벤트 카메라는 마이크로초 수준의 시간 해상도와 높은 동적 범위를 제공하여 저고도 UAV 인식에 적합하다. 그러나 원거리 UAV는 희소하고 단절된 노이즈 혼재 이벤트 응답을 생성하는 경우가 많으며, 하나의 의미론적 목표가 공간적으로 분리된 여러 블롭으로 나타날 수 있다. 이에 따라 블롭 단위의 비동기 추적은 중복 궤적과 불안정한 식별자 문제를 겪는다. 우리는 원시 이벤트에서 직접 동작하는 모션 일관성 기반 비동기 UAV 탐지 및 추적 프레임워크인 ASUMOT을 제안한다. ASUMOT은 각 UAV를 모션 일관성을 공유하는 이벤트 블롭의 집합으로 모델링한다. 로컬 모션 일관성 추정기는 신뢰할 수 있는 후보를 트리거하고, 경량 멀티태스크 검증기는 UAV 신뢰도와 모션 방향 단서를 제공하며, 모션 일관성 클러스터링은 단절된 블롭들을 식별자 일관성을 갖춘 UAV 트랙으로 통합한다. 또한 우리는 밀도 높은 의미론적 어노테이션을 갖춘 고화질 이벤트 수준 UAV 벤치마크인 ES-UAV를 소개한다. 공개 UAV 추적 데이터와 ES-UAV에 대한 실험 결과, ASUMOT은 비동기 이벤트 처리를 유지하면서 정확도-효율성 트레이드오프를 개선함을 보인다. 코드와 데이터셋은 추후 공개될 예정이다.

arXiv:2607.05467v1cs.CV

합성 안개 환경에서 UAV 탐지 및 추적의 태스크 기반 평가

A Task-Driven Evaluation of UAV Detection and Tracking under Synthetic Fog

합성 안개 환경에서 소형 UAV 탐지 및 추적 성능을 체계적으로 평가하기 위해, 단안 깊이 추정과 대기 산란 모델 기반의 안개 생성, 영상 복원, 객체 검출, 추적-by-detection을 통합한 태스크 기반 평가 파이프라인을 제안한다. 안개 포함 학습이 가장 일관된 강건성 향상을 제공하며, 복원 품질이 반드시 하위 인식 성능 향상으로 이어지지 않음을 실험적으로 입증한다.

arXiv:2607.04125v1cs.CV

FRFDet: 대칭 샘플링과 확장 가능한 융합을 통한 효율적인 UAV 소형 객체 검출

FRFDet: Efficient UAV Small Object Detection with Symmetric Sampling and Scalable Fusion

무인 항공기(UAV) 영상에서의 소형 객체 검출(object detection)은 복잡한 기상 조건, 저조도, 센서 노이즈 등 열악한 환경에서 여전히 어려운 과제로 남아 있다. 이러한 어려움은 주로 심각한 배경 혼잡, 세밀한 디테일 열화, 그리고 의미론적-공간적 특징(feature) 융합의 비최적화에서 비롯되며, 이 요소들이 복합적으로 작용하여 견고한 소형 객체 표현을 방해한다. 이를 해결하기 위해, 본 논문에서는 UAV 기반 소형 객체 검출에 특화된 경량화되고 효과적인 단일 단계 검출기인 FRFDet을 제안한다. FRFDet은 두 가지 플러그 앤 플레이 모듈을 제안한다: 역방향 양방향 샘플링(Inverse Bidirectional Sampling, IBS)과 스케일-특징 관계 교차 융합(Scale-Feature Relationship Cross-Fusion, SFRCF)이다. IBS는 채널 확장-압축과 양방향 패턴 재구성을 통해 중요한 공간적 디테일을 보존하여 특징 정렬을 개선한다. SFRCF는 스케일 의존적 융합 동작을 명시적으로 모델링하며, 그룹 간 요소별(element-wise) 곱셈이 소형 모델에 유리한 반면 그룹 간 덧셈 융합은 더 큰 아키텍처에 이점을 제공함을 밝혀낸다. VisDrone, UAVDT, HazyDet, MS COCO에 대한 광범위한 실험을 통해 FRFDet이 낮은 연산 비용, 소형 파라미터 수, 빠른 추론(inference) 속도로 경량 검출기 중 최첨단 성능을 달성함을 입증하며, 자원 제약이 있는 UAV 플랫폼에 적합함을 보인다.

arXiv:2606.11285v1cs.CV

EventRadar: 시공간 이벤트 센싱을 통한 장거리 시각 UAV 탐지

EventRadar: Long-Range Visual UAV Discovery through Spatiotemporal Event Sensing

공항, 공공 장소, 기타 민감한 지역 주변의 무허가 무인항공기(UAV) 활동으로 인해 보호 공역 모니터링이 점점 더 중요해졌다. 실용적인 센싱 시스템은 넓은 각도 영역을 탐색하고, 장거리의 작은 표적을 찾으며, 제한 구역 경계가 침범되기 전에 방위 지원과 UAV 특이적 증거를 모두 반환해야 한다. 기존 UAV 탐지 경로는 종종 기체 크기, 실루엣, 또는 궤적 연속성과 같이 공간적으로 구성된 증거에 의존한다. 그러나 장거리에서는 표적 풋프린트가 약해지고 영상 평면 상의 지원이 줄어들면서 이러한 단서를 유지하고 검증하기가 어려워진다. EventRadar는 보완적 단서인 프로펠러 유발 시간적 주기성을 따르며, 최근 이벤트 카메라 센싱 연구에서 외관이 약해진 후에도 UAV 특이적 움직임을 드러낼 수 있음을 보였다. 우리는 이벤트 카메라 프로토타입으로 이 단서를 킬로미터 규모의 능동 센싱으로 확장한다. Scene-Anchored Geometry Evidence(SAGE)는 스캐닝 이벤트와 IMU 자세를 융합해 방위 인덱스 기반 장면 메모리를 유지하며, 일시적 후보 지원을 지속적인 배경 잡음과 분리한다. Comb-guided Harmonic-Group Learned Iterative Shrinkage and Thresholding Algorithm(CHG)는 각 후보를 약한 고속 타이밍 신호로 취급하고, 고정 연산량으로 위상 비민감 고조파 증거를 복원한다. 700-1500m UAV 이벤트 녹화에서 관련 이벤트 카메라 baseline과 비교했을 때, EventRadar는 0.990 mAP$_{.3}$ 및 0.949 F1$_{.3}$를 달성하고, FN$_{.3}$를 0.009로 줄이며, 프로토타입 프로파일링에서 실시간 실현 가능성을 보여준다.