대공감시체계 발전을 위한 객체 인식 기술 연구: 퓨샷러닝과 연합학습의 통합을 중심으로
A Study on Object Recognition Technology for the Advancement of Aerial Surveillance System: Focusing on the Integrating Few-Shot Learning and Federated Learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 현재 GOP감시 체계의 고유한 특성을 고려하여 AI 중심 감시 체계 구축이라는 목표를 달성하기 위해 필요한 요구와 그것을 해결하기 위한 방안을 다룬다. 첫째, 드론 및 쓰레기 풍선과 같은 북한의 위협은 지상뿐만 아니라 공중 영역까지 감시 범위를 요구한다. 둘째, 제한된 학습 데이터와 예측 불가능한 전장 환경과 같은 군 작전의 제약은 군사 분야에서 견고한 AI 모델을 개발하는 데 어려움을 야기한다. 셋째, 각 부대의 다양한 작전 환경은 단일 부대에서 학습된 모델의 일괄 적용을 어렵게 만든다. 이러한 문제를 해결하기 위해, 본 연구는 퓨삿 러닝(few-shot learning)과 연합 학습(federated learning)을 통합한 공중 객체 인식 기법을 제안한다. 퓨삿 러닝 알고리즘은 적은 양의 데이터로도 효과적인 학습과 추론이 가능하므로, 공중 감시에서의 데이터 부족 문제에 적합하다. 본 연구에서는 제안한 모델의 일반화 성능을 기존의 감독 학습 기반 모델과 비교하였다. 연합 학습은 분산형 기계 학습의 일종으로, 다양한 작전 환경을 가진 감시 부대를 개별 클라이언트로 모의함으로써 데이터 프라이버시를 보호하고 네트워크 부하를 줄이면서도 일관된 모델 성능을 가능하게 한다. 대공감시분야를 기존의 지도 학습 모델로 구현 시에는 보지 못한 클래스에 대한 추론에서 어려움이 발생한다. 그러나 퓨삿 러닝을 적용한 모델은 49.86%의 일반화 성능을 달성하였다. 더불어, 연합 학습 시스템 적용 후에는 클라이언트 간 성능 격차가 약 1.6배 감소하였으며, 네트워크 부하는 81% 줄어들었다. 본 연구에서 제안한 방안은 국방 AI 모델이 직면한 어려움을 해결할 수 있는 방안 중 하나로 퓨삿 러닝과 연합 학습을 결합함으로써 데이터 부족과 일반화 한계를 극복하고, 네트워크 부하까지 최소화할 수 있을 것으로 기대된다.
Abstract
To achieve the goal of building an “AI-centered surveillance system”, this study focuses on the unique characteristics and challenges of the current GOP(General Outpost) surveillance systems. First, North Korea's threats, such as drones and trash balloons, require surveillance coverage across both ground and aerial domains. Second, the military’s operational constraints, including limited training data and unpredictable battlefield conditions, make it challenging to develop robust AI model in military domain. Third, the diverse operational environments of each unit prevent the uniform application of models trained in a single unit. To address these challenges, this study proposes an aerial object recognition methodology that integrates few-shot learning and federated learning. Few-shot learning algorithm allows for effective learning and inference from minimal data, making it well-suited to the data scarcity of aerial surveillance. We compared the generalization performance of our model to that of traditional supervised learning-based model. Federated learning, a form of decentralized machine learning, was used to simulate surveillance units with different operational environments as individual clients. It enabled consistent model performance across heterogeneous environments while preserving data privacy and reducing network load. The results showed that traditional supervised learning-based model struggled to infer unseen classes, while our model employing few-shot learning achieved a generalization performance of 49.86%. Furthermore, after implementing the federated learning system, the performance gap among clients was reduced by approximately 1.6 times, and network load decreased by 81%. The methodology proposed in this study aims to address the critical challenges currently facing defense AI models. By integrating few-shot learning and federated learning, it effectively tackles the issues of data scarcity and limited generalization while minimizing network load. This approach is expected to contribute to the development of a future platform for collecting and training military-specific datasets.