지상 무기체계 분류 신뢰성 향상을 위한 설명 가능한 인공지능 모델
Explainable artificial intelligence models for enhancing classification reliability of ground weapon systems
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 감시 및 정찰 애플리케이션에서 지상 무기 시스템의 분류 신뢰성을 향상시키기 위한 신뢰할 수 있는 인공 지능(AI) 모델 개발에 중점을 두었다. 전차, 자주포, 다연장 로켓과 같은 군용 물체에 대한 제한된 데이터 가용성으로 인해 제안된 AI 모델은 전이학습 및 미세 조정 기술을 활용하여 이러한 문제를 극복한다. Kaggle에서 공개적으로 사용 가능한 Military-Vehicles 데이터 세트를 사용하여 35개의 딥 러닝 모델을 종합적으로 평가한 결과 MobileNet이 지상 무기 시스템 분류에 가장 적합한 모델임을 확인하였다. 선택한 MobileNet 모델은 5가지 유형의 지상 무기 시스템으로 구성된 데이터 세트에서 테스트했을 때 평균 F1 점수 92%를 달성하였다. 또한 설명 가능한 AI 기술인 Grad-CAM을 적용하여 제안 모델의 의사 결정 프로세스에 대한 통찰력을 제공하고 그 신뢰성을 검증하였다. 훈련비디오에서 추출한 프레임을 사용한 실제 평가는 전차, 자주포 및 다연장 로켓에 대해 유망한 정확도를 보여주었다. 전반적으로 이 연구는 지상 감시 및 정찰 시스템의 성능을 향상시키기 위한 설명 가능하고 신뢰할 수 있는 AI 모델 개발에 기여하였다.
Abstract
This study focused on the development of a reliable artificial intelligence (AI) model to enhance the classification reliability of ground weapon systems for surveillance and reconnaissance applications. The proposed AI model overcomes the limited data availability of military objects such as tanks, canons, and multiple-launch rockets by leveraging transfer learning and fine-tuning techniques. A comprehensive evaluation of 35 deep learning models using the publicly available Military-Vehicles dataset on Kaggle identified MobileNet as the most suitable model for ground weapon system classification. The selected MobileNet model achieved an average F1 score of 92% when tested on a dataset comprising five types of ground-weapon systems. In addition, the application of the explainable AI technique Grad-CAM provided insights into the decision-making process of the proposed model and verified its reliability. Real-world evaluations using frames extracted from training videos demonstrated promising accuracy for tanks, canons, and multiple-launch rockets. However, challenges related to object occlusion and the absence of target objects in the images were observed, which resulted in misclassifications. Overall, this study contributes to the development of explainable and reliable AI models for enhancing the performance of ground surveillance and reconnaissance systems.
참고문헌 (18)
- Choi, J. H., "Trends and Prospects of Small Satellite Constellation for ISR Mission", Proceedings of the KSAS 2021 Fall conference, pp.1552~1553 (2021)
- Howard, A. G., "Mobilenets : Efficient convolutional neural networks for mobile vision applications", arXiv preprint arXiv:1704.04861, ~ (2017)
- 황재민, "SinGAN을 활용한 군사장애물 데이터 부족 문제 해결 및 실증 연구", 한국산학기술학회논문지, 24(1), pp.310~317 (2023), 한국산학기술학회[DOI]
- 황진용, "기동무기체계 분류를 위한 전이학습 기반 앙상블 모델 연구", 한국정보기술학회논문지, 19(12), pp.1~10 (2021), 한국정보기술학회[DOI]
- 황교성, "데이터증강 모델 조합을 활용한 적성 전차에 대한 객체탐지 성능 향상 연구", 한국CDE학회 논문집, 27(2), pp.148~159 (2022), 한국CDE학회
- 주정율, "미 육군의 다영역작전(Multi-Domain Operations)에 관한 연구: 작전수행과정과 군사적 능력, 동맹과의 협력을 중심으로", 국방정책연구, 36(1), pp.9~41 (2020), 한국국방연구원[DOI]
- 김종환, "전이학습 기반 무인수색차량의 표적 탐지 및 식별 딥러닝 모델 분석", 한국국방경영분석학회지, 47(2), pp.26~35 (2021), 한국국방경영분석학회[DOI]
- 이종용, "유·무인 복합전투체계 운용개념 및 발전방향:지상전을 중심으로", 한국국가전략, 3(3), pp.193~216 (2018), 사단법인 한국국가전략연구원[DOI]
- 이상근, "국방 AI 개발 활성화를 위한 군 R&D Open Source Platform 구축 필요성", 선진국방연구, 5(3), pp.23~42 (2022), 방위사업연구소[DOI]
- 이영균, "포병 무기체계 분류를 위한 CNN 모델의 성능 비교 연구", 한국산학기술학회논문지, 24(1), pp.344~350 (2023), 한국산학기술학회[DOI]
- 임승균, "YOLO 알고리즘을 이용한 전차 국적 식별 및 평가", 정보과학회 컴퓨팅의 실제 논문지, 27(12), pp.555~562 (2021), 한국정보과학회[DOI]
- 남두현, "4차 산업혁명 시대의 모자이크 전쟁", 국방연구, 63(3), pp.141~170 (2020), 국가안전보장문제연구소[DOI]
- Pan, S. J., "A survey on transfer learning", IEEE Transactions on knowledge and data engineering, 22(10), pp.1345~1359 (2009)[DOI]
- 박진혁, "Mammogram 특징 추출을 위한 maskSLIC 기반 CNN 분류 모델", 전자공학회논문지, 58(10), pp.59~67 (2021), 대한전자공학회
- 류제민, "초해상화 기반 CNN을 이용한 군사용 SAR 자동표적인식 모델 연구", 제어.로봇.시스템학회 논문지, 28(1), pp.22~27 (2022), 제어·로봇·시스템학회[DOI]
- Selvaraju, R. R., "Grad-cam: Visual explanations from deep networks via gradient-based localization", Proceedings of the IEEE international conference on computer vision, pp.618~626 (2017)
- 양동원, "형태특징과 지역특징 융합기법을 활용한열영상 기반의 차량 분류 방법", 전기전자학회논문지, 24(1), pp.97~105 (2020), 한국전기전자학회
- Zhou, B., "Learning deep features for discriminative localization", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.2921~2929 (2016)