- 핵심 기술: 재난 현장 정찰 드론 및 무인이동체(UGV) 영상을 위한 DeepLabV3+ 기반 도로 파손 세그멘테이션 프레임워크.
- 주요 혁신: 도로 지향 멀티레벨 어텐션(RO-MLA)과 클래스 불균형 해결을 위한 RO-Dice CWB 손실 함수 도입.
- 성능 지표: 테스트 셋에서 mIoU 0.7248, 파손 클래스 IoU 0.6029 달성으로 기존 모델 대비 우수성 증명.
재난 대응 무인이동체를 위한 정밀 공간 인지 기술의 필요성
대규모 재난 발생 시 신속한 피해 규모 파악과 구호 물자 수송로는 골든타임을 결정하는 핵심 요소이다. UAV(드론)와 UGV(무인 이동 로봇)는 위험지역에 선제적으로 투입되어 현장 상황을 픽셀 단위로 정밀하게 수집해야 한다.
그러나 실제 재난 현장의 도로는 파편, 균열, 토사 등으로 인해 시각적 대조가 매우 낮으며, 파손 영역이 전체 이미지에서 차지하는 비율이 희박하다. 이는 기존의 범용 세그멘테이션 모델이 가진 고질적인 한계인 클래스 불균형(Class Imbalance) 문제를 야기한다.
RO-MLA 및 RO-Dice CWB 기반 아키텍처 분석
본 연구에서는 이러한 문제를 해결하기 위해 DeepLabV3+ 백본(ResNet152)에 특화된 모듈을 결합한 새로운 딥러닝 프레임워크를 제안한다.
1. 도로 지향 멀티레벨 어텐션 (RO-MLA)
채널, 공간, 픽셀 수준의 어텐션 메커니즘이 평균 도로 마스크 우선순위(Average Road-Mask Prior)에 의해 유도된다. 이를 통해 네트워크가 불필요한 배경(건물, 하늘 등)에 현혹되지 않고 도로 관련 영역에만 특징 학습을 집중하도록 강제한다.
2. 도로 지향 클래스 가중 균형 다이스 손실 (RO-Dice CWB)
희소하고 시각적 대비가 낮은 파손 영역의 특성을 고려하여 설계된 손실 함수이다. 학습 과정에서 언더샘플링되거나 무시되기 쉬운 미세 파손 영역에 대한 가중치를 조절하여 세그멘테이션 정확도를 극대화한다.
기존 방식과의 성능 비교
PDRDD-J 및 SoDR 데이터셋을 통합한 총 2,684장의 픽셀 단위 주석 이미지를 활용해 검증한 결과는 다음과 같다.
| 모델 아키텍처 | mIoU | Damage-class IoU |
|---|---|---|
| U-Net / FCN / ResUNet | 낮음 (Baselines) | 불안정함 |
| Standard DeepLabV3+ | 보통 | 보통 |
| 제안 프레임워크 (RO-MLA + RO-Dice CWB) | 0.7248 | 0.6029 |
무인이동체 및 로보틱스 현장 적용 시사점
드론 기반의 BVLOS(비가시권) 정찰 및 자율주행 UGV의 실시간 경로 계획 시스템에 해당 기술을 통합할 수 있다. 구조대원이 직접 진입하기 어려운 재난 현장의 도로 상태를 픽셀 단위로 정확히 진단하여 2차 사고를 방지한다.
복잡한 재난 환경 속에서도 시각적 모호성을 극복하고 안정적인 도로 영역 해석을 제공함으로써, 피지컬 AI 기반 무인이동체의 자율 임무 수행 능력을 한 차원 높이는 기반 기술로 활용될 전망이다.
출처 및 원문 논문 링크: OpenAlex Repository – Road-oriented attention and class-balanced learning for post-disaster road damage segmentation