확산 모델 기반 배경 재구성 합성 데이터를 활용한 군용 차량 객체 탐지 연구
Research on Military Vehicle Object Detection using Diffusion Model-based Background Reconstruction Synthetic Data
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
군용 차량 탐지에서는 보안 제약으로 인해 학습용 이미지 확보가 제한적이다. 본 연구는 Stable Diffusion 기반 인페인팅과ControlNet 조건 제어를 결합한 합성 데이터 생성 파이프라인을 제시하며, 객체 형상 보존–배경 재구성 원칙으로 현실성과 다양성을 동시에 확보한다. 또한 실제ㆍ합성 데이터를 단계적으로 혼합하는 학습 전략을 도입해 도메인 일반화를 강화하였다. 정량 평가에서 YOLOv8 탐지기의 mAP(0.5:0.95)는 58.4%에서 65.6%로 7.2%p 상승했으며, 이미지 품질 지표인 FID는 66.263으로 비교 기법 중 가장 낮았다. 아울러 여러 모델 구조 전반에서 일관된 mAP 개선이 관찰되었고, 제로샷 객체 탐지 실험에서도 GPT 기반 생성방식보다 우수한 성능을 달성하였다. 제안 기법은 다양한 컴퓨터 비전 과제에서의 데이터 희소성과 도메인 불일치 문제 완화에 실질적으로 기여할 것으로 전망된다.
Abstract
In military vehicle detection, security constraints severely restrict access to training imagery. We present a synthetic data generation pipeline that couples Stable Diffusion–based inpainting with ControlNet conditioning, following a principle of preserving object shape while reconstructing the background to enhance both realism and diversity. We further introduce a staged mixing strategy that progressively integrates real and synthetic data to strengthen domain generalization. On YOLOv8, our approach achieves an mAP (0.5:0.95) improvement from 58.4% to 65.6% (+7.2 percentage points), while the generated images achieve the lowest FID (66.263) among all compared methods. Consistent mAP gains are observed across multiple model architectures, and our method outperforms GPT-based generative approaches in zero-shot detection. These results indicate that the proposed technique can meaningfully mitigate data scarcity and domain shift, with applicability to a broad range of computer vision tasks