초록 열기/닫기 버튼
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.
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.
키워드열기/닫기 버튼
classification of ground weapon systems, explainable artificial intelligence, transfer learning, MobileNet, Grad-CAM
