HybridMaritimeNet — 해상 시정거리 추정 모델
RepViT-M1.5 멀티스케일 백본 + Tobit 검열 회귀 + 예측 신뢰도·자동 거부 — 1m~10km 해상 시정거리를 불확실성과 함께 추정
제품 소개
왜 영상 기반 시정거리 인식인가
광학식 측정기(Biral·OSI·Vaisala·Belfort)는 설치 지점 한 곳의 점(point) 상태만 계측하며, 기상청 보고서(2022)에서도 같은 항만의 4종 측정기 간 R²가 0.41~0.85로 크게 흔들리는 일관성 문제가 보고되었습니다. 영상 분석식은 화면 단위로 면적(area)을 다룰 수 있지만, 점수만 회귀하는 단순 CNN은 카메라·시간·습도 같은 환경 변화에 매우 취약합니다. HybridMaritimeNet은 분류·회귀에 예측 신뢰도까지 결합한 하이브리드 구조로 1m~10km 해상 시정 영역을 한 모델에서 안정적으로 해결합니다.
수평선 인지 멀티스케일 아키텍처
3세대 재설계에서 백본을 RepViT-M1.5 멀티스케일 구조(timm features_only 4-stage)로 교체하고, 경량 특징 피라미드(Lite-FPN)와 수평선 인지 어텐션 풀링을 더해 시정 판단의 핵심 단서인 수평선 대역에 연산을 집중시켰습니다. 예측부는 단일 Tobit 검열 회귀 헤드, 별도의 이진 거부(reject) 헤드, 그리고 예측 신뢰도를 함께 산출하는 aleatoric μ/σ 분기로 구성됩니다. 극단 구간과 정상 구간을 부드럽게 혼합(soft-gating)해 경계에서의 값 튐을 없앴습니다.
라벨 노이즈와 예측 신뢰도
시정계 참값에는 카메라 영상과 어긋나는 라벨 노이즈가 섞입니다. Dark Channel Prior 기반 물리 일관성 검증으로 명백히 모순된 샘플을 학습 전에 걸러내고, 학습 중에는 aleatoric 가우시안 NLL이 불확실한 샘플의 영향을 손실 단계에서 자동으로 낮춥니다. 여기에 더해 모델은 매 예측마다 신뢰도(σ)를 함께 내보내고, 분석이 불가능한 프레임(짙은 역광·렌즈 오염 등)은 거부 헤드가 스스로 표시해 오판을 줄입니다.
엣지 배포를 위한 설계
bf16 혼합정밀도(Ampere 이상 GPU 호환)를 기반으로 4GB VRAM 환경에서도 추론이 가능하도록 설계했습니다. 학습 그래프와 추론 그래프를 분리해, 학습에만 쓰이는 물리 보조 브랜치는 추론 시 완전히 제거되어 엣지 메모리에 부담을 남기지 않습니다. 카메라 설치 현장 PC에서 외부 GPU 서버 없이 바로 시정거리를 산출할 수 있어, 통신이 불안정한 해안이나 보안 등급이 높은 항만 통제 시설에서도 적용할 수 있습니다.
주요 기능
동급 정확도 유지 (결합 R² 0.924)
검증 전수 기준 결정계수 R² 0.924. 백본과 예측 구조를 전면 교체하면서도 이전 세대와 동등한 추정 정확도를 유지하고, 신뢰도·거부 같은 새 역량을 더했습니다.
예측 신뢰도 (aleatoric 불확실성)
매 예측마다 표준편차(σ) 형태의 신뢰도를 함께 산출합니다. 값 하나만 내보내는 단순 회귀와 달리, 결과를 얼마나 신뢰할 수 있는지 현장에서 함께 판단할 수 있습니다.
분석 불가 자동 거부
짙은 역광·렌즈 오염·과노출처럼 시정 판단이 불가능한 프레임을 별도의 거부(reject) 헤드가 스스로 표시합니다. 무리한 추정으로 인한 오판을 사전에 차단합니다.
1m 극저시정 대응
짙은 해무로 앞이 거의 보이지 않는 1m 수준의 극저시정 구간까지 다룹니다. 항만 통제에서 가장 위험한 시나리오를 놓치지 않습니다.
수평선 인지 멀티스케일 구조
RepViT-M1.5 멀티스케일 백본 + 경량 특징 피라미드 + 수평선 인지 어텐션으로, 시정 판단의 핵심 단서인 수평선 대역에 연산을 집중시켜 환경 변화에 강건합니다.
엣지 4GB — 훈련/추론 그래프 분리
bf16 혼합정밀도와 학습·추론 그래프 분리 설계로 4GB VRAM 엣지 환경에서 동작합니다. 학습 전용 보조 연산은 추론 시 제거되어 중앙 GPU 서버 없이 현장에서 즉시 결과를 산출합니다.
모델 성능 검증
검증 전수 평가에서 이전 세대와 동등한 결정계수(결합 R² 0.924)를 유지하면서, 예측 신뢰도(불확실성)·분석 불가 자동 거부·1m 극저시정 대응을 새로 확보한 3세대 재설계 모델입니다.
결합 R²
0.924
검증 전수 결정계수
시정 범위
1m ~ 10km
극저시정~맑음 대응
예측 신뢰도
σ 동반
aleatoric 불확실성 산출
엣지
4GB VRAM
훈련·추론 그래프 분리
기술 사양
- 백본
- RepViT-M1.5 멀티스케일 (timm features_only · 4-stage)
- 넥
- Lite-FPN + 수평선 인지 어텐션 풀링
- 예측 헤드
- Tobit 검열 회귀 + 이진 거부(reject) + aleatoric μ/σ (CORAL 보조)
- 입력
- 720×1280 RGB · 지평선 ROI + CLAHE
- 학습 정밀도
- bf16-mixed (Ampere 이상 GPU)
- 시정 범위
- 1m ~ 10km
- 데이터셋
- SEAVIS + AI-HUB 해무 (근접중복 정제)
- 최종 지표
- 결합 R² 0.924 (검증 전수)
타 방식과의 비교
광학·영상·하이브리드 세 가지 접근의 원리와 한계, 그리고 본 모델이 그 격차를 어떻게 좁히는지를 정리했습니다.
| 항목 | 방식 | 원리 | 한계 |
|---|---|---|---|
| 광학 측정기 (Koschmieder) | 빛 산란 이론으로 측정기 한 점 상태 계측 | 동일 항만 4종 측정기 R² 0.41~0.85 편차, 시간·습도·중간 점 환경 변화에 매우 민감 | |
| 안개 제거(Dehazing) 보정 | 안개 보정 전·후 영상 비교로 거리 추정 | 맑은 날 추정 불가, 학습이 진행될수록 정확도 저하 | |
| 영상 회귀 (단순 CNN) | 단일 CNN/Transformer로 직접 거리 회귀 | 카메라 교체·환경 변화에 취약, 극단 구간(맑음/짙은 안개) 부정확 | |
| HybridMaritimeNet (본 모델) | 수평선 인지 멀티스케일 + Tobit 검열 회귀 + 거부·불확실성 헤드 | 경량·물리 정합성·환경 강건성에 예측 신뢰도와 분석불가 거부까지 한 모델에서 해결 |