Suppressing False Detections in Camouflaged Object Detection via Data Synthesis and Negative Learning

위장객체탐지(Camouflaged Object Detection, COD)는 배경과 시각적으로 유사한 객체를 탐지하는 과제로, 국방, 생태 모니터링, 의료 영상 등 다양한 분야에서 중요한 역할을 한다. 최근 개발된 새로운 위장객체탐지 모델들은 과거에 비해 우수한 성능을 보여왔지만, 위장객체와 주목객체가 공존하는 상황에서 위장객체탐지 모델이 위장객체가 아닌 주목객체를 탐지하면서 탐지 성능이 크게 저하됨을 보였다. 본 연구는 이러한 한계를 극복하기 위해 위장객체와 주목객체가 공존하는 합성이미지 학습에 부정학습(Negative learning)을 결합한 새로운 학습 전략을 제안한다. CamDiff는 잠재확산 기반의 삽입 합성기법으로, 배경의 일부 영역을 마스킹한 뒤 주목객체를 자연스럽게 삽입 및 보정하여 현실적인 위장객체와 주목객체가 공존하는 장면을 생성한다. CamDiff 알고리즘을 활용하여 두 객체가 공존하는 합성이미지를 생성하고, 주목객체 이미지는 탐지 비대상으로 학습시켜 모델이 ‘탐지하지 않아야할 객체’를 명시적으로 학습하도록 하였다. PFNet(Positioning and Focusing Network)을 검증모델로 활용한 결과, 제안한 방법은 주목객체의 오탐을 효과적으로 줄이고 위장객체 탐지 품질을 향상시켰다. 특히 MAE가 기존 대비 4.9% 개선되어 그 성능 향상이 통계적으로 유의미함을 보였다. 본 연구는 부정학습이 위장객체탐지의 신뢰성을 강화할 수 있음을 보여주며, 특히 오탐이 치명적인 결과로 이어질 수 있는 군사적 환경에서 중요한 의의를 가진다.