SULAND v2: 도메인 변화 하에서 UAV/UGV 기반 지표면 지뢰 탐지를 위한 정제된 RGB 데이터셋 및 딥러닝 객체 탐지 벤치마크

초록

RGB 영상은 지표 지뢰 탐지에서 무인 항공/지상 차량(UAV/UGV) 조사 지원을 위한 실용적이고 저비용의 옵션을 제공하지만, 객체 탐지기는 이러한 안전 필수 분야에서 충분히 연구되지 않았다. 제한적인 교차 아키텍처 벤치마킹과 불충분한 분포 외(OOD) 분석은 탐지기가 다양한 배포 조건에서 일반화되는지 여부를 불분명하게 만든다. 이러한 과제는 공개 RGB 지뢰 데이터셋의 부족으로 더욱 증폭되며, 이로 인해 SULAND는 PFM-1 및 PMA-2 탐지의 핵심 벤치마크가 되었다. 그러나 검토 결과 SULAND에는 누락되거나 잘못된 주석, 위치 오류, 일관되지 않은 가시성 기준, 시각적 아티팩트, 시간적 라벨링 불일치, 그리고 반전된 OOD 클래스 ID 관례가 존재하는 것으로 드러났다. 본 연구에서는 정제된 RGB 지표 지뢰 데이터셋 겸 벤치마크인 SULAND_v2를 제시한다. 원본 이미지와 분할을 유지하면서 완전성, 정밀한 위치, 라벨 유효성, 클래스 일관성을 보장하도록 주석을 수동으로 수정했다. SULAND_v2는 33,771개의 이미지와 12,433개의 바운딩 박스를 포함한다. 우리는 9개 계열에 걸친 35개의 탐지기 구성을 벤치마킹했다. 주석 개선은 YOLOv8 분포 내(IID) 테스트 mAP@50을 14.6~19.6퍼센트 포인트 향상시켰으며, OOD 클래스 ID 관례를 수정하면 평균 YOLOv8 OOD mAP@50이 약 25퍼센트 포인트 증가한다. SULAND_v2에서 YOLOv12-Small은 가장 높은 IID mAP@50(0.908)을 달성했고, RF-DETR-Large는 가장 우수한 OOD 성능(0.799 mAP@50, 0.675 재현율)을 보였다. 우리의 결과는 높은 IID 정확도가 운영 준비성을 보장하지 않는다는 점을 보여준다. SULAND_v2는 RGB 기반 지뢰 대응 조사 지원에서 도메인 이동 견고성을 평가하기 위한 신뢰할 수 있는 벤치마크를 제공한다.

English

RGB imagery offers a practical, low-cost option for Unmanned Aerial/Ground Vehicle (UAV/UGV) survey support in surface-landmine detection, but object detectors remain underexplored in this safety-critical domain. Limited cross-architecture benchmarking and insufficient out-of-distribution (OOD) analysis obscure whether detectors generalize across deployment conditions. This challenge is amplified by the scarcity of public RGB landmine datasets, making SULAND a key benchmark for PFM-1 and PMA-2 detection. However, inspection reveals missing/false annotations, localization errors, inconsistent visibility criteria, visual artifacts, temporal labeling inconsistencies, and an inverted OOD class-ID convention in SULAND. We present SULAND_v2, a refined RGB surface-landmine dataset and benchmark. Preserving original images and splits, we manually revise annotations to ensure completeness, precise localization, label validity, and class consistency. SULAND_v2 contains 33,771 images and 12,433 bounding boxes. We benchmark 35 detector configurations across nine families. Annotation refinement improves YOLOv8 in-distribution (IID) test mAP@50 by 14.6-19.6 percentage points, while fixing the OOD class-ID convention increases mean YOLOv8 OOD mAP@50 by ~25 percentage points. On SULAND_v2, YOLOv12-Small achieves the highest IID mAP@50 (0.908), while RF-DETR-Large yields the strongest OOD performance (0.799 mAP@50, 0.675 recall). Our results demonstrate that high IID accuracy does not guarantee operational readiness. SULAND_v2 provides a reliable benchmark for evaluating domain-shift robustness in RGB-based mine-action survey support.