본 연구는 전차 전투피해평가 객체탐지 모델의 성능을 저해하는 데이터 불균형 문제를 해결하고자 생성형 이미지 증강의 효과를 정량적으로 평가한다. 이를 위해 전통적 기하 변환만 적용한 대조군(Geometric Only, 이하 GeoOnly)과, 총 증강량은 동일하게 유지하되 일부를 Stable Diffusion 인페인팅 기반 생성 이미지로 대체한 실험군(Generated Image Mixed, 이하 GenMix)을 설계하였다. 이를 통해 기하 변환 증강으로는 데이터의 양적 증가를, 생성형 이미지 증강으로는 데이터의 의미론적 다양성을 확보하고자 하였다. 성능 평가는 YOLOv8-nano 모델을 사용하였다. 실험 결과, 실험군(GenMix)는 모든 학습 조건에서 대조군(GeoOnly) 대비 mAP@50:95가 3.18%에서 8.34%까지 향상되었다. 특히 희소 클래스인 'Up’(상부파괴)의 AP@50:95는 24.32% 큰 폭으로 상승했으나, 동일한 희소 클래스인 'Both‘(상하부파괴)는 재현율이 15.05% 감소하며 개선이 제한적이었다. 이는 인페인팅 범위 차이로 인한 도메인 편차와 클래스 간경계 모호성에 기인한다. 본 연구는 생성형 증강의 순효과를 정량적으로 평가하여, 데이터 부족 환경에서 전투피해평가 객체탐지 모델의 신뢰성을 높이는 실무적 방법론을 제시했다는 점에서 의의가 있다.
Lee et al. (Tue,) studied this question.