원격 탐사 이미지에서는 목표의 크기 변화가 크고, 목표가 밀집 분포하며, 유사한 지물 간 혼동이 쉽고, 배경이 복잡하고 간섭이 많으며 이미지 세부 사항이 부족합니다. 기존의 회전 목표 탐지 알고리즘은 보통 높은 계산 부담이 있으며 정확도 향상의 여지가 있습니다. 이러한 문제를 해결하기 위해 본 연구에서는 현재 선도적인 YOLOv9 탐지기를 개선하여 효율적이고 정확한 원격 탐사 이미지 회전 목표 탐지기 RSO-YOLO(YOLO for Remote Sensing Images with Oriented Bounding Box)를 개발하였습니다. 먼저, 저조도 원격 탐사 이미지 보조 데이터 증강 모듈을 이용하여 약한 빛, 잡음, 흐림 및 대비 부족 문제를 개선하였고, 둘째로, 각도 예측 헤드를 분리 설계하여 알고리즘에 원격 탐사 목표 방향 인지 능력을 부여하였습니다. 셋째, 칼만 필터 기반의 교집합비 KFIoU(Kalman Filter Intersection over Union) 손실을 모델에 도입하여 회전 목표 표현으로 인한 각도 주기성 문제를 해결하였으며, 분포 초점 손실 DFL(Distribution Focal Loss)을 사용해 회전 경계 상자의 분포를 학습하여 가우스 모델링 방법에서 정사각형에 가까운 목표의 각도 부정확성 문제를 줄였습니다. 또한, 회전 목표 탐지를 위한 동적 라벨 할당 전략을 수립하여 할당 과정에서 교집합 비율(IOU)과 클래스 점수를 종합적으로 고려해 목표 특성을 더 잘 반영하는 샘플 공간을 구성하였습니다. 마지막으로 헬링거 거리 기반의 확률적 교집합비(ProbIoU)를 활용한 비최대 억제를 사용하여 비최대 억제의 계산 부담을 줄였습니다. 본 연구에서 제안한 원격 탐사 이미지 회전 목표 탐지기를 DIOR-R 공개 데이터셋에서 실험 검증하였고, 다수의 전형적인 회전 목표 탐지 방법과 비교하였습니다. 결과는 본 연구에서 제안한 RSO-YOLO 방법이 평균 정밀도 mAP(mean Average Precision) 81.1%를 달성해 1위를 차지하며 실시간 탐지를 보장함을 보여주었습니다. 또한 보조 데이터 증강 모듈 사용 후 mAP가 1.5% 향상됨을 확인했습니다. 결론적으로 본 연구에서 제안한 RSO-YOLO는 회전 목표 탐지의 속도와 정확성을 동시에 만족시키며, 해양 및 공항 감시, 도시 관리, 재난 평가, 농림 순찰 등 원격 탐사 장면에서 공학적 실용성과 응용 가능성을 지니며 저조도 및 복잡한 배경 조건을 대상으로 하는 향후 회전 탐지 연구에 재사용 가능한 모듈형 솔루션을 제공합니다.

딥러닝;원격 탐사 목표 탐지;회전 박스;데이터 증강;회전 박스 양음성 샘플 매칭 전략;2차원 가우시안 분포