본 연구는 위성영상 기반 군사 객체 탐지 분야에서 학습 데이터의 부족과 클래스 불균형 문제를 해결하기 위해 생성형 인공지능을 활용한 합성데이터 생성 방안을 제안한다. 기존 전통적 이미지 증강과 GAN·CycleGAN 기반 방법은 작은 객체의 형태 왜곡과 복잡한 배경 불일치로 성능 향상에 한계가 있었다. 본 연구는 확산모델(ControlNet)과 대형언어모델(LLM)을 결합하여 전투기(MiG 계열) 형상을 유지하면서 배경·상황적 다양성을 반영한 합성 위성영상을 생성하였다. 생성된 합성데이터를 실제 데이터와 병합하여 YOLOv10과 RT-DETR 모델에 적용하였다. 독립 테스트셋에서 성능을 비교한 결과, YOLOv10은 LLM, ControlNet 결합 시 mAP@0.5와 Recall이 향상되었고, RT-DETR은 LLM 적용 시 mAP@0.5와 Recall이 향상되었다. 반면 Dust/Fog 및 Noise/Blur와 같은 전통적 증강은 두 모델에서 성능 개선이 제한적이거나 감소하는 경향을 보였다. 이를 통해 생성 기반 합성데이터가 위성영상 객체 탐지에서 모델 일반화 성능 향상에 효과적이며, 모델 구조에 따라 ControlNet과 LLM의 기여 양상이 달라질 수 있음을 확인하였다.
Chae et al. (Sat,) studied this question.