Flower 프레임워크 기반 연합학습과 중앙집중학습의 SAR 선박 탐지 성능 비교 연구

초록

국방 분야에서 객체 탐지모델의 중요성은 계속 커지고 있다. 하지만, 모델 개발에 필요한 국방 데이터 수집시보안과 데이터 프라이버시는 해결해야 할 주요 과제이다. 본 연구는 이러한 한계를 극복하기 위해 국방 분야에서 연합학습 (Federated Learning, FL)의 효용성을 검증하고자 한다. 이를 위해, 오픈소스 프레임워크인 Flower를 사용하여 표준 SAR 선박 탐지 데이터셋 (SSDD)에 대해 ResNet-50기반의 Faster R-CNN 모델로 연합학습을 수행하였다. 연합학습은 군 작전 환경을 모사한 5개의 데이터 수집개소(클라이언트)가 10라운드 동안 FedAvg 알고리즘으로 학습하도록설계하였다. 동일한 조건에서 중앙집중학습(Centralized Learning, CL)도 10에포크 학습하였으며, 두 학습 방식 간성능을 정밀하게 비교분석을 하였다. 실험 결과, 연합학습은 로컬 개소의 원본 데이터를 공유하지 않으면서도 중앙집중학습과 대등한 수준의 탐지 성능을 달성했다. 특히, mAP에서는 연합학습이 중앙집중학습보다 근소하게 높은 성과를보였다. 결론적으로 본 연구는 연합학습이 국방 데이터의 보안 문제를 해결하고, 객체 탐지모델 개발을 지속할 수 있게하는 핵심적인 대안이 될 수 있음을 보여준다.

키워드