사례: SAR despeckling
SAR 영상(17장)은 광학 영상과 성질이 달라, 객체 탐지, 변화 탐지, 자동 표적 인식(ATR)에 AI를 쓸 때 따로 살필 것이 있다. SAR speckle 제거 사례는 신경망 DnCNN-SAR로 영상의 speckle을 줄인다. speckle은 잡음이 아니라 강도에 곱해지는 무늬이지만(17장), 여기서는 곱셈 잡음처럼 다룬다. 이 사례는 speckle이 없는 진짜 정답 영상이 없을 때 정답을 어떻게 만들고, 그 선택이 점수를 어떻게 바꾸는지를 다룬다(예제 코드).
SAR 영상의 특수성
SAR 영상은 광학 영상과 무엇이 다르고, AI 모델에는 어떤 표현으로 넣는가?
SAR(synthetic aperture radar)는 마이크로파를 직접 보내고 받아 영상을 만든다(17장). 이 능동 원격탐사 방식 때문에 SAR 데이터는 광학 영상과 근본적으로 다른 성질을 가지므로, AI를 SAR에 적용하려면 그 성질을 먼저 알아야 한다.
| 특성 | 설명 | AI 적용 때 고려할 것 |
|---|---|---|
| speckle | 코히어런트 간섭이 만드는 알갱이 모양의 무늬. 진폭은 Rayleigh, 강도는 지수 분포, multi-look 강도는 Gamma 분포 | 전처리 필터링이나 speckle을 고려한 손실 함수 설계 |
| 복소 데이터(SLC) | single-look complex: 진폭과 위상을 함께 담는다 | 진폭만 쓸지, 복소 채널로 위상까지 쓸지 |
| 기하 왜곡 | layover, foreshortening, 그림자(shadow) | 데이터 증강에 기하 왜곡의 시뮬레이션을 넣는다 |
| 다중 편파 | HH, HV, VH, VV 편파 조합으로 산란 메커니즘을 가른다 | 다채널 입력으로 분류 성능을 높일 수 있다 |
| 분해능 이방성 | 거리(range)와 방위(azimuth) 분해능이 다를 수 있다 | 이방성 커널이나 비등방성 pooling을 고려한다 |
실제 Sentinel-1 영상의 예는 19장의 GRD(ground range detected) crop에 있다. 광학 위성 영상과 달리 SAR의 밝기는 후방산란의 강도이다. 수면은 거울 반사로 어둡고, 건물은 이중 반사로 밝으며, 식생은 체적 산란으로 중간 밝기를 보인다. SAR 탐지와 분류 알고리즘은 이 산란 강도의 차이에서 출발한다.
주요 응용 분야
실제 후속(downstream) 작업은 작은 시뮬레이션 패치보다 집속이 끝난 최종 SAR 영상에서 출발하는 일이 많다. 그래서 그 영상에서 어떤 파생 입력을 만들어 다음 단계로 넘기는지가 중요하다.
| 응용 분야 | 입력 | 출력 | 대표 모델 |
|---|---|---|---|
| 객체 탐지 | 진폭 영상(detected amplitude image) | bounding box + 클래스 + 점수 | YOLOv5/8, Faster R-CNN, SAR-Det |
| 분류 / 분할 | 다중 편파 SAR | 픽셀별 클래스 라벨 | U-Net, DeepLab, SegFormer |
| 변화 탐지 | 두 시점()의 SAR 영상 쌍 | 변화 마스크 | Siamese CNN, ChangeFormer |
| autofocus | 초점이 흐린 SLC | 보정한 위상 오차 / 초점이 맞은 영상 | DNN 위상 추정기, CNN 복원망 |
| super-resolution | 저해상도 SAR | 고해상도 SAR | GAN, SRCNN, ESRGAN(SAR에 맞춘 것) |
입력 표현 고르기
SAR 데이터를 AI 모델에 어떤 표현으로 넣는지가 성능을 좌우한다.
- SLC(single-look complex): 복소 진폭과 위상을 모두 보존한다. 실수부(I)와 허수부(Q)를 두 채널로 넣거나 진폭과 위상으로 바꾼다. 위상이 중요한 autofocus와 InSAR에 꼭 필요하다.
- 진폭 영상(detected image): 이다. 객체 탐지, 분류처럼 강도에 기대는 응용에 주로 쓴다. 로그 눈금(, dB)으로 바꾸면 동적 범위가 줄어 학습에 유리하다.
- 다중 편파(polarimetric SAR): HH, HV, VH, VV를 채널로 쓴다. 산란 메커니즘(표면, 체적, 이중 반사)을 가를 수 있어 분류 정확도가 오른다.
ImageNet은 speckle 통계와 영상 성질이 SAR와 다르므로, ImageNet으로 사전학습한 모델은 SAR에 쓰려면 충분히 미세조정(fine-tuning)해야 한다. SAR 전용 사전학습(예: SSL4EO-SAR)이 더 나은 출발점이다.