Enhancing Underwater Debris Detection in Data-Scarce Environments Using Synthetic Sonar Data and Domain Adaptation based Deep Learning

해저 침적 폐기물은 생태계를 위협하고 항행 안전을 저해하지만, 실제 소나 데이터의 부족으로 인해 딥러닝 기반 탐지 모델을 개발하는 데 어려움이 있다. 본 연구에서는 이러한 데이터 부족 문제를 해결하기 위해 OceanSim을 사용하여 합성 데이터를 생성하였으며, 합성 이미지와 실제 이미지 사이의 도메인 간극(domain gap)을 극복하기 위해 스타일 전이(style transfer) 모듈을 구현했다. 이 방식은 대상 물체의 구조적 형태는 그대로 유지하면서, 실제 소나 데이터에서 관찰되는 사실적인 노이즈와 질감 특성을 주입한다. 실험 결과, 전처리된 합성 데이터만으로 학습된 모델은 실제 소나 이미지에서 70%의 정확도를 달성했으며, 이는 가공되지 않은 합성 데이터만으로 학습했을 때보다 4.6배 향상된 수치이다. 이러한 결과는 물리 기반의 합성 데이터 생성과 도메인 적응 기술의 결합이 데이터 부족 문제를 효과적으로 해결하고, 수중 탐지 모델의 일반화 성능을 크게 향상시킬 수 있음을 입증한다.